You are on page 1of 194

ANLISIS Y CUANTIFICACIN DE LAS INCERTIDUMBRES GEOLGICAS Y

DE INGENIERA EN UN SECTOR DEL CAMPO RUBIALES.





















MAX BRADLEY GMEZ GUALDRN


















UNIVERSIDAD INDUSTRIAL DE SANTANDER
FACULTAD DE INGENIERAS FISICOQUMICAS
ESCUELA DE INGENIERA DE PETRLEOS
BUCARAMANGA
2009

ANLISIS Y CUANTIFICACIN DE LAS INCERTIDUMBRES GEOLGICAS Y
DE INGENIERA EN UN SECTOR DEL CAMPO RUBIALES.



MAX BRADLEY GMEZ GUALDRN



Trabajo de Grado como requisito para optar por el ttulo de
INGENIERO DE PETRLEOS.




Director
OSCAR VANEGAS ANGARITA
Ingeniero de Petrleos



Co-director
ALBERTO FLREZ
Ingeniero de Petrleos
Departamento de Ingeniera de Yacimiento
Pacific Rubiales Energy Metapetroleum Corp.




Co-director
CARLOS ANDRES NARANJO
Gelogo
Departamento de Ingeniera de Yacimiento
Pacific Rubiales Energy Metapetroleum Corp.




UNIVERSIDAD INDUSTRIAL DE SANTANDER
FACULTAD DE INGENIERAS FISICOQUMICAS
ESCUELA DE INGENIERA DE PETRLEOS
BUCARAMANGA
2009

ACUERDO No. 164 de 2003
(Diciembre 16)

ENTREGA DE TRABAJOS DE GRADO, TRABAJOS
DE INVESTIGACIN O TESIS Y AUTORIZACIN
DE SU USO A FAVOR DE LA UIS


Yo, MAX BRADLEY GMEZ GUALDRN, mayor de edad, vecino de Bucaramanga,
identificado con la Cdula de Ciudadana No. 1.098605.467 de Bucaramanga,
actuando en nombre propio, en mi calidad de autor del trabajo de grado, del trabajo de
investigacin, o de la tesis denominada(o):

ANLISIS Y CUANTIFICACIN DE LAS INCERTIDUMBRES GEOLGICAS Y DE
INGENIERA EN UN SECTOR DEL CAMPO RUBIALES

hago entrega del ejemplar respectivo y de sus anexos de ser el caso, en formato digital o
electrnico (CD o DVD) y autorizo a LA UNIVERSIDAD INDUSTRIAL DE SANTANDER,
para que en los trminos establecidos en la Ley 23 de 1982, Ley 44 de 1993, decisin
Andina 351 de 1993, Decreto 460 de 1995 y dems normas generales sobre la materia,
utilice y use en todas sus formas, los derechos patrimoniales de reproduccin,
comunicacin pblica, transformacin y distribucin (alquiler, prstamo pblico e
importacin) que me corresponden como creador de la obra objeto del presente
documento. PARGRAFO: La presente autorizacin se hace extensiva no slo a las
facultades y derechos de uso sobre la obra en formato o soporte material, sino tambin
para formato virtual, electrnico, digital, ptico, uso en red, Internet, extranet, intranet, etc.,
y en general para cualquier formato conocido o por conocer.

EL AUTOR ESTUDIANTE, manifiesta que la obra objeto de la presente autorizacin es
original y la realiz sin violar o usurpar derechos de autor de terceros, por lo tanto la obra
es de su exclusiva autora y detenta la titularidad sobre la misma. PARGRAFO: En caso
de presentarse cualquier reclamacin o accin por parte de un tercero en cuanto a los
derechos de autor sobre la obra en cuestin, EL AUTOR / ESTUDIANTE, asumir toda la
responsabilidad, y saldr en defensa de los derechos aqu autorizados; para todos los
efectos la Universidad acta como un tercero de buena fe.

Para constancia se firma el presente documento en dos (02) ejemplares del mismo valor y
tenor, en Bucaramanga, a los dieciocho das (18) das del mes de Noviembre de Dos Mil
Nueve (2009).

EL AUTOR / ESTUDIANTE:



Firma)..
MAX BRADLEY GMEZ GUALDRN
AGRADECIMIENTOS


Ante todo, agradezco la oportunidad que me ha brindado la petrolera Pacific
Rubiales Energy Meta Petroleum Corp., de poder realizar mi trabajo de grado para
obtener mi ttulo de Ingeniero de Petrleos.

Quiero agradecer de una forma muy especial al Ingeniero Ysidro Araujo, por
darme la oportunidad y el apoyo de realizar este trabajo de grado.

Asimismo quiero agradecer de una forma muy especial a los Ingenieros Alberto
Flrez, Wilson Parra, Javier Rodrguez, Oscar Vanegas y al gelogo Carlos
Naranjo por su inmensa colaboracin en el desarrollo y culminacin de este
proyecto

Tambin quiero agradecer a los Ingenieros Fabin Hernndez, Jorge E. Ramrez
C, Myriam Uzcategui, Viviana Bolaos, Jorge Suarez, Miguel Guilmain por
transmitirme sus conocimientos, adems de ayudarme a ser un mejor ingeniero.

Al grupo de Petrofsica conformado por las ingenieras Libia Landaeta y Monica
Niampira por brindarnos su colaboracin para desarrollar parte de esta tesis.

Agradezco tambin a la lnea de Geologa encabezada por la geloga Rosa
Lavado, Lucila Morales, los seores Henry Zamora, Juan Pablo Gmez, Cesar
Morales, el viejo Fercho, y los seores Cesar y Jorge.

UNIVERSIDAD
Agradezco a la Universidad Industrial de Santander por darme los conocimientos
necesarios durante estos aos para poder realizar de forma exitosa mi trabajo de
tesis.



MAX BRADLEY GMEZ GUALDRN



DEDICATORIA


A DIOS, mi eterno gua, quien no me abandona en ninguno de los eventos ms
importantes de mi vida.

A mi madre y mi padre, quienes son el ms claro ejemplo del amor que se puede
sentir por un hijo, y en ltimas, es gracias a su infinito esfuerzo por sacarme
adelante por el cual yo estoy donde estoy.

A mis hermanos Wendell Franz, Alwin Serguey, Roy Stephen y Janssen Jeffreys,
gracias por su apoyo, consejos y cario para conmigo. A la flaca Mile y a mi
comadre Leidy, por aguantarse ha este desnutridito cuado.

A mi cagonxita hermosa, por darme su sincero amor, por apoyarme y
complacerme todos los das de mi vida con su bonita compaa.

A mi ahijado Bryan, y sobrinas Dafne y Lauren, al compartir y alegrarme los gratos
momentos de los das fros capitalinos.

A toda la familia ACEIP, por compartir gratos y duros momentos en especial al
viejo Palma, y a las nias Sandra Vega, Andrea Ordoez, Silvia Jaramillo, Silvia
Rueda y dems brujas de la familia ACEIP.

Al viejo Rafa, Miguel Martnez, Carlos Blanco, verdaderos amigos, por estar a mi
lado cuando estaba feliz y cuando ciertas circunstancias me bajaron el nimo, y
terminbamos pidiendo una pala sed.

Y a todos mis amigos que me acompaaron incondicionalmente.



MAX BRADLEY GMEZ GUALDRN

CONTENIDO

INTRODUCCIN .................................................................................................... 1
1 GENERALIDADES DEL CAMPO .................................................................... 3
1.1 UBICACIN DEL CAMPO RUBIALES ..................................................... 3
1.2 RESEA HISTRICA CAMPO RUBIALES .............................................. 3
1.3 CARACTERSTICA DEL CAMPO RUBIALES .......................................... 5
1.4 CARACTERSTICAS DE LOS FLUIDOS ................................................. 7
1.5 GEOLOGA ............................................................................................... 9
1.5.1 Marco Geolgico Regional .................................................................... 9
1.5.2 Marco Estructural ................................................................................ 10
1.5.3 Marco Estratigrfico ............................................................................ 13
2 INCERTIDUMBRE: CONCEPTO Y FUENTES .............................................. 18
2.1 DECISIONES QUE INVOLUCRAN INCERTIDUMBRE. ......................... 22
2.2 ANLISIS DE RIESGO E INCERTIDUMBRE. ....................................... 24
2.3 CUANTIFICACIN DE LA INCERTIDUMBRE. ...................................... 25
2.3.1 Cualificacin y Caracterizacin probabilstica de las variables de
entrada........................................................................................................... 31
2.3.2 Propagacin de la Incertidumbre ........................................................ 32
2.4 ANLISIS DEL IMPACTO DE LA INCERTIDUMBRE. ........................... 40
2.4.1 Anlisis de Sensibilidad. ..................................................................... 40
3 ANLISIS DE RIESGO EN LA FASE DE DESARROLLO ............................. 45
3.1 TRATAMIENTO PROBABILSTICO. ...................................................... 46
3.1.1 Incertidumbre en medio fsico. ............................................................ 47
3.1.2 Otros tipos de Incertidumbres ............................................................. 49
0
3.2 UTILIZACIN DE LA SIMULACIN NUMRICA EN EL ANLISIS DE
RIESGO. ........................................................................................................... 50
3.3 METODOLOGA DE ANLISIS DE RIESGO ADOPTADA. ................... 51
3.4 SELECCIN DE ATRIBUTOS. .............................................................. 53
3.5 ESTRATEGIA DE PRODUCCIN .......................................................... 55
3.5.1 Parmetros de produccin y econmicos. .......................................... 57
3.5.2 Valor de la informacin ....................................................................... 59
3.5.3 Valor de la flexibilizacin ..................................................................... 59
3.6 INTEGRACIN DE LAS INCERTIDUMBRES EN LA FASE DE
DESARROLLO .................................................................................................. 60
3.7 DIFICULTADES ENCONTRADAS EN EL PROCESO DEL ANLISIS DE
RIESGO. ........................................................................................................... 61
4 PLANTEAMIENTO DEL PROBLEMA. ........................................................... 63
4.1 CARACTERIZACIN PROBABILSTICA DE LOS ATRIBUTOS DE
ENTRADA AL POES. ........................................................................................ 65
4.1.1 Caracterizacin Probabilstica del rea. ............................................. 65
4.1.2 Caracterizacin Probabilstica de Sw, ANP y . ................................. 68
4.1.3 Contacto Agua-Petrleo (WOC). ......................................................... 72
4.2 CARACTERIZACIN PROBABILSTICA DE LOS ATRIBUTOS DE
ENTRADA AL ANLISIS ECONMICO ........................................................... 74
4.2.1 Calculo de Reservas ........................................................................... 74
4.2.2 Parmetros para el Anlisis Econmico. ............................................. 78
4.2.3 Caracterizacin Probabilstica en la Disponibilidad de la Produccin
Asociado a la Eficiencia del Sistema de Produccin (Disponibilidad) ............ 82
5 ANLISIS DE RESULTADO .......................................................................... 87
5.1 CALCULO DEL POES ............................................................................ 87

5.1.1 Caracterizacin deterministica del Atributo de Salida, POES. ............ 87
5.1.2 Caracterizacin Probabilstica del Atributo de Salida, POES. ............. 88
5.1.3 Correlacin Probabilstica del Atributo de Salida, POES. ................... 90
5.1.4 Anlisis de Sensibilidad del Atributo de Salida, POES. ....................... 93
5.2 CLCULO DEL FACTOR DE RECOBRO EN UN SECTOR DEL CAMPO
RUBIALES. ........................................................................................................ 95
5.3 ANLISIS ECONOMICO. ....................................................................... 95
5.3.1 Anlisis de Sensibilidad del Atributo de Salida, VPN. ....................... 100
CONCLUSIONES ............................................................................................... 102
RECOMENDACIONES ....................................................................................... 105
REFERENCIAS BIBLIOGRAFICAS .................................................................... 107

LISTA DE FIGURAS

FIGURA 1. Ubicacin del Campo Rubiales. ........................................................... 3
FIGURA 2. Geometra de depositacin del Campo Rubiales. ................................ 5
FIGURA 3. Corte esquemtico Regional de la Cuenca de los Llanos Orientales. 10
FIGURA 4. Ubicacin Geolgica del Campo Rubiales. ........................................ 11
FIGURA 5. Mapa Estructural al tope del Yacimiento, versin 2008. ..................... 12
FIGURA 6. Mapa Estructural al tope del Yacimiento, versin 2008. ..................... 12
FIGURA 7. Mapa Estructural al tope del Yacimiento, versin 2.008. .................... 13
FIGURA 8. Mapa Estructural al tope del Yacimiento, versin 2008. ..................... 14
FIGURA 9. Columna Estratigrfica generalizada para la Cuenca de los Llanos
Orientales. ............................................................................................................ 15
FIGURA 10. Columna Estratigrfica Campo Rubiales. ......................................... 16
FIGURA 11. Niveles de Conocimiento. ................................................................. 19
FIGURA 12. Tipos de Incertidumbre. .................................................................... 20
FIGURA 13. Fuentes de Incertidumbre. ................................................................ 21
FIGURA 14. Alternativas para Abordar la Incertidumbre. Fuente. Gerencia de
Incertidumbre. ....................................................................................................... 23
FIGURA 15. Anlisis de Riesgo e Incertidumbre. ................................................. 24
FIGURA 16. Anlisis por Escenarios. ................................................................... 27
FIGURA 17. Incertidumbre en las Entradas. ......................................................... 29
FIGURA 18. Incertidumbre en el Modelo. ............................................................. 29
FIGURA 19. Incertidumbre Total. .......................................................................... 30
FIGURA 20. Cuantificacin y Propagacin. .......................................................... 31
FIGURA 21. Clasificacin de las Distribuciones de Probabilidad. ......................... 32
FIGURA 22. Evaluacin de Incertidumbre. ........................................................... 33
FIGURA 23. Simulacin Montecarlo. .................................................................... 34
FIGURA 24. Diagrama de Flujo Simulacin Montecarlo. ...................................... 35

FIGURA 25. Grficos X vs. Y de dispersin para Identificacin de Correlacin. .. 37
FIGURA 26. Anlisis de Sensibilidad Diagrama de Tornado Clsico. ............... 41
FIGURA 27. Grfico de Tornado del POES. ......................................................... 43
FIGURA 28. Flujograma del Proceso del Anlisis de Riesgo ............................... 53
FIGURA 29. Distribucin de Probabilidades de un Atributo Partiendo de Posibles
Realizaciones ........................................................................................................ 54
FIGURA 30. Seleccin del rea de estudio en un sector del Campo Rubiales. ... 66
FIGURA 31. Distribucin de Probabilidad para el rea ........................................ 67
FIGURA 32. Distribucin de Probabilidad para la Saturacin de Agua (Sw). ....... 69
FIGURA 33. Distribucin de Probabilidad para la Porosidad (). ......................... 70
FIGURA 34. Distribucin de la Arena Neta Petrolfera (ANP). .............................. 71
FIGURA 35. Distribucin de Probabilidad para la Arena Neta Petrolfera (ANP). . 71
FIGURA 36. Mostrando diferentes profundidades del WOC, desde el oeste hacia
el este del Campo Rubiales. ................................................................................. 72
FIGURA 37. Distribucin de Probabilidad para el Contacto Agua- Petrleo
(WOC). .................................................................................................................. 73
FIGURA 38. Anlisis de la Curva de Declinacin Tipo Pozo ................................ 75
FIGURA 39. Distribucin de Probabilidad para el Exponente de Declinacin (b). 77
FIGURA 40. Distribucin de Probabilidad para del Coeficiente de Declinacin (Di).
.............................................................................................................................. 78
FIGURA 41. Variacin de los precios del crudo (WTI) vs. Tiempo. ...................... 80
FIGURA 42. Distribucin de Probabilidad para el Precio Equivalente al Crudo
Rubiales (US$/bbl) ................................................................................................ 81
FIGURA 42. Distribucin de Probabilidad a Costos de Operacin por Barril
Producido (Costos de Produccin). ...................................................................... 82
FIGURA 44. Distribucin de Probabilidad en la Disponibilidad de la Produccin
Asociado a la Eficiencia del Sistema de Produccin. (Disponibilidad) .................. 83
FIGURA 45. Distribucin de Probabilidad en los Servicios de Perforacin.
(Servicios de Perforacin) ..................................................................................... 84

FIGURA 46. Distribucin de Probabilidad del Completamiento. ........................... 84
FIGURA 47. Distribucin de Probabilidad de las Facilidades de Superficie. ........ 85
FIGURA 48.Mapa de ANP, al generar el rea para cada espesor promedio del
rea seleccionada (En un sector del campo Rubiales). ........................................ 87
FIGURA 49. Mapa de ANP, al generar el rea para cada espesor promedio del
rea seleccionada (En un sector del campo Rubiales). ........................................ 88
FIGURA 50. Distribucin de Probabilidad de las Facilidades de Superficie. ........ 89
FIGURA 51. Distribucin de Probabilidad de las Facilidades de Superficie. ........ 89
FIGURA 52. Correlacin Probabilstica del POES vs. Sw. ................................... 90
FIGURA 53. Correlacin Probabilstica del POES vs. ANP. ................................. 91
FIGURA 54. Correlacin Probabilstica del POES vs. . ...................................... 92
FIGURA 54. Correlacin Probabilstica del POES vs. REA. ............................... 93
FIGURA 53. Diagrama de Tornado al clculo del POES. ..................................... 94
FIGURA 57. Distribucin de Probabilidad del VPN. .............................................. 96
FIGURA 58. Distribucin de Probabilidad del VPN. .............................................. 96
FIGURA 59. Curva de Riesgo del TIR. ................................................................. 97
FIGURA 60. Distribucin de Probabilidad del TIR. ............................................... 98
FIGURA 61. Flujo de Caja en un periodo dado del proyecto. ............................... 99
FIGURA 62. Flujo de Caja en un periodo dado del proyecto. ............................... 99
FIGURA 63. Diagrama de Tornado al indicador de rentabilidad del VPN. .......... 100
FIGURA A.1. Funcin de Densidad de Probabilidad. ......................................... 113
FIGURA 31. Mapa rea probables. En un sector del Campo Rubiales .............. 175
FIGURA 32. Mapa rea posibles de un sector del. Campo Rubiales ................. 176
FIGURA 33. Mapa rea posibles de un sector del. Campo Rubiales ................. 177

LISTA DE TABLAS

Tabla 1. Factores del Yacimiento y de los Fluidos. ................................................. 8
Tabla 2. Estructura de Costos............................................................................... 26
Tabla 3 Clasificacin de atributos inciertos del Yacimiento en un sector del Campo
Rubiales. ............................................................................................................... 55
Tabla 4 Niveles de Incertidumbre para el rea. .................................................... 68
Tabla 5 Niveles de Incertidumbre para la Saturacin de Agua (Sw). .................... 69
Tabla 6 Niveles de Incertidumbre para la Porosidad. ........................................... 70
Tabla 7 Niveles de Incertidumbre para la Arena Neta Petrolfera. ........................ 72
Tabla 8 Niveles de Incertidumbre para el Contacto Agua-Petrleo. ..................... 74
Tabla 9 Resultados obtenidos del Forecast. ......................................................... 76
Tabla 10 Niveles de Incertidumbre para el Exponente de Declinacin. ................ 77
Tabla 11 Niveles de Incertidumbre para el Coeficiente de Declinacin. ............... 78
Tabla 12 Niveles de Incertidumbre para el Precio Equivalente al Crudo Rubiales.81
Tabla 13 Niveles de Incertidumbre para el Costo de Produccin. ........................ 82
Tabla 14 Niveles de Incertidumbre en la Disponibilidad de la Produccin Asociado
a la Eficiencia del Sistema de Produccin. ........................................................... 83
Tabla 15 Niveles de Incertidumbre en los Servicios de Perforacin ..................... 84
Tabla 16 Niveles de Incertidumbre del Completamiento ....................................... 85
Tabla 17 Niveles de Incertidumbre de las Facilidades de Superficie .................... 86
Tabla 18 Niveles de Incertidumbre de las Facilidades de Superficie .................... 86
Tabla 19 Niveles de Incertidumbre en el clculo deterministico del POES. .......... 88
Tabla 20 Niveles de Incertidumbre al POES. ........................................................ 90
Tabla 21 Contribucin a la varianza del POES. .................................................... 94
Tabla 21 Propiedades de Petrleo y Roca en un sector del campo Rubiales. ..... 95
Tabla 23 Niveles de Incertidumbre del VPN. ........................................................ 97
Tabla 24 Niveles de Incertidumbre del VPN. ........................................................ 98
Tabla 25 Contribucin a la varianza del VPN...................................................... 101

Tabla 26 Atributos crticos en la seleccin de la mejor estrategia de desarrollo del
rea de inters .................................................................................................... 167
Tabla 27. Atributos crticos en la seleccin de la mejor estrategia de desarrollo del
rea de inters .................................................................................................... 170

LISTA DE ANEXOS



Anexo A Estadistica Descriptiva y Distribuciones de Probabilidad ........... 111
Anexo B Caracterizacion Probabilistica .................................................... 153
Anexo C Anlisis de Curvas De Declinacin............................................ 166
Anexo D Estudio de Reservas .................................................................. 174


RESUMEN

TITULO:
ANLISIS Y CUANTIFICACIN DE LAS INCERTIDUMBRES GEOLGICAS Y
DE INGENIERA EN UN SECTOR DEL CAMPO RUBIALES.
*



AUTOR:
MAX BRADLEY GMEZ GUALDRN
**



PALABRAS CLAVES:
Incertidumbre, Anlisis de Riesgo, Simulacin, sector del Campo Rubiales.


DESCRIPCION:
En el anlisis de decisin aplicada al desarrollo de campos de petrleo debe ser llevado en
consideracin el riesgo asociado a varios tipos de incertidumbres. En la transicin entre las fases
de evaluacin y desarrollo, la importancia del riesgo asociado al factor de recobro crece
significativamente. El proceso es complejo debido a: (1) altas inversiones, (2) gran nmero de
variables inciertas, y (3) fuerte dependencia de los resultados con la definicin de la estrategia de
produccin. Esta complejidad, en muchos casos, causa dificultades en la utilizacin de tcnicas
confiables para evaluar el riesgo correctamente o demanda excesivo en el esfuerzo computacional.
Por eso, metodologas para cuantificar el impacto de incertidumbres no estn bien definidas debido
a la necesidad de simplificaciones en el proceso y la falta de conocimiento del impacto de esas
simplificaciones. De esa forma, el objetivo de este trabajo es definir una metodologa a travs de un
estudio detallado del proceso de anlisis de riesgo en la fase de desarrollo a travs de la
cuantificacin de tcnicas de simplificacin para acelerar el proceso sin prdida significativa de
precisin, destacando: tratamiento de atributos, combinacin gradual, y uso de modelos
representativos para integrar efectos de diferentes tipos de incertidumbre con la definicin de
estrategia de produccin. La metodologa tiene el objetivo de dar soporte las decisiones con mayor
confianza, mostrando los puntos crticos del proceso y cuantificando el impacto de simplificaciones
que pueden ser hechas de manera a hacer el proceso estandarizado y de fcil utilizacin. Los
resultados del caso estudiado en un sector del Campo Rubiales, muestran que los criterios
adoptados son buenos indicativos de la viabilidad de la metodologa, mejorando el desempeo y
confianza del anlisis de riesgo.




*
Tesis de Grado
**
Facultad de Ingenieras Fisicoqumicas, Escuela de Ingeniera de Petrleos,
Tutores: Oscar Venegas Angarita, Alberto Flrez, Carlos Andrs Naranjo

ABSTRACT


TITLE:
ANALYSIS AND QUANTIFICATION OF UNCERTAINTIES IN ENGINEERING
AND GEOLOGICAL IN A SECTOR RUBIALES FIELD.
*



AUTHOR:
MAX BRADLEY GMEZ GUALDRN
**



KEYWORDS:
Uncertainty, Risk Analysis, Simulation, Field Sector Rubiales.


DESCRIPTION:
In the decision analysis applied to developing oil fields should be taken into consideration the risk
associated with various types of uncertainties. In the transition between the phases of assessment
and development, the importance of risk associated with the recovery factor increases significantly.
The process is complex because: (1) high investments, (2) large number of uncertain variables, and
(3) strong dependence of the results with the definition of product strategy. This complexity, in many
cases, difficulties in the use of reliable techniques to assess risk correctly or excessive demand on
the computational effort. Therefore, methodologies to quantify the impact of uncertainties are not
well defined because of the need for simplification in the process and lack of knowledge of the
impact of these simplifications. Thus, the aim of this study is to define a methodology through a
detailed study of the risk analysis process in the development phase through the quantification of
simplification techniques to accelerate the process without significant loss of accuracy, highlighting:
treatment of attributes, gradual combination and use of representative models to incorporate effects
of different types of uncertainty with the definition of product strategy. The methodology aims to
support decisions with greater confidence, showing the critical points of the process and quantifying
the impact of simplifications that can be done to make the process as standardized and easy to use.
The results of case study in a sector Rubiales Field show that the criteria adopted are good
indicators of the viability of the methodology, improving performance and reliability of risk analysis.



*
Degree Thesis.
**
Physic-Chemical Engineering Faculty, School of Petroleum Engineering,
Tutors: Oscar Venegas Angarita, Alberto Flrez, Carlos Andrs Naranjo.


INTRODUCCIN

La certidumbre absoluta es un privilegio de mentes poco educadas y de
fanticos
1

Frente a los altos precios del petrleo, a consecuencia de la desproporcin entre
la cantidad de yacimientos petroleros de crudo liviano y la demanda de energa en
el mundo, el mercado se ha visto en la necesidad de buscar otras fuentes de
energa, cuestin que ha permitido el desarrollo de proyectos como el Campo
Rubiales, del que se presume la existencia de importantes reservas de crudo
pesado.

El Campo Rubiales es operado por PACIFIC RUBIALES ENERGY
METAPETROLEUM Corp., y por ECOPETROL. Est localizado en el sureste de
la Cuenca de los Llanos Orientales, en el departamento del Meta, Colombia. El
yacimiento lo constituyen las areniscas de la parte inferior de la Formacin
Carbonera depositadas en un ambiente predominante fluvial de edad Eoceno
Tardo-Oligoceno Temprano. La produccin del campo proviene principalmente
de la Formacin Carbonera, de edad Eoceno Tardo-Oligoceno Temprano,
llamada informalmente Arenas Basales.

Con el fin de poder incrementar el factor de recobro en un sector del Campo
Rubiales, se hace necesario establecer herramientas que permitan ajustar los
modelos de prediccin relacionados con la incertidumbre del yacimiento, la cual
permitir establecer la mejor estrategia de desarrollo del campo contribuyendo a la
optimizacin de la produccin y del factor de recobro del yacimiento.

1
COSTA, A.P.A., Schiozer, D.J. Risk Analysis Applied to the Appraisal Phase of Petroleum
Fields.2002

2

En la realizacin de este trabajo se utiliz la herramienta software especializado
en gerenciamiento de yacimientos, Oil Field Manager (OFM) de Schlumberger, el
cual permite realizar diferentes procedimientos de interpretacin ingenieril a cada
uno de los pozos presentes en el rea de estudio. Para el clculo del petrleo
original en sitio (POES), se utilizo el software PETREL TM, donde se realizaron los
clculos determinsticos y probabilsticos.
Finalmente se utilizo la herramienta software Crystal Ball de Oracle para analizar
los atributos identificados en las incertidumbres asociadas al rea de estudio y la
incorporacin de esta informacin en los modelos probabilsticos en relacin al
POES.

3


1. GENERALIDADES DEL CAMPO
2


1.1 UBICACIN DEL CAMPO RUBIALES

El Campo Rubiales est localizado en el sureste de la Cuenca de los Llanos
Orientales, a 250 Km al SE de la Ciudad de Villavicencio en el Departamento del
Meta y a 465 Km de la Ciudad de Bogot, Colombia (Figura 1).

Figura 1. Ubicacin del Campo Rubiales.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum CORP.

1.2 RESEA HISTRICA CAMPO RUBIALES

El Campo Rubiales fue descubierto en el ao de mil novecientos ochenta y uno
(1.981), por la compaa Intercol una subsidiaria en Colombia de la compaa

2
Pacif Rubiales Energy Metapetroleum Corp. Files o historias de Pozo Campo Rubiales.

4

Exxon, donde perfor el pozo Rubiales-1. En el ao de mil novecientos ochenta y
ocho (1.988), la Empresa Colombiana de Petrleos (ECOPETROL), y las
compaas Tethys Petroleum, Tumsector y Astralstake (Las Asociadas), firman los
contratos de Participacin de Riesgo Rubiales y Asociacin Pirir. En el ao de mil
novecientos noventa y cinco (1.995), Las Asociadas inician la explotacin bajo la
modalidad de Solo Riesgo, es decir, de manera autnoma. En el ao de mil
novecientos noventa y siete (1.997), el Campo Rubiales, por problemas de orden
pblico se cierra en el mes de Agosto. En el ao dos mil (2.000), se reinician
operaciones en el Campo Rubiales. En el ao dos mil dos (2.002), los grupos Elliot
y Synergy, entran a participar en calidad de inversionistas y fiscalizadores de Las
Asociadas dejando a Tethys Petroleum la funcin de compaa operadora del
Campo. En el ao dos mil tres (2.003), se lleva a cabo la Primera Campaa de
Perforacin con 14 pozos verticales de desarrollo con xito; se fusionan las
compaas Coplex, Rubiales y Tumsector y pasan a ser absorbidas por Meta
Petroleum Corp., compaa que a partir entonces comienza a actuar como
operador del Campo con el 80% y le concede a Tethys Petroelum el porcentaje
restante. En el ao dos mil cinco (2.005), se sigue con la Segunda Campaa de
Perforacin en 15 pozos (tres horizontales, un monitor, un inyector, dos
exploratorios-QUIFA-, tres de avanzada y cinco en desarrollo). A comienzos del
dos mil seis (2.006), se cumple el objetivo del Proyecto de los 12K o doce mil
barriles de petrleo por da (12.000 bpd petrleo); adems se comienza la Tercera
Campaa de Perforacin de pozos horizontales de desarrollo, y en el mes de Abril
se inicia la Operacin Conjunta y finaliza la etapa de explotacin Solo Riesgo, lo
que redunda en el inicio de la participacin de Ecopetrol en la operacin del
campo. En el ao dos mil siete (2.007), en el mes de julio, Petro Rubiales Energy
adquiere la totalidad de la participacin del grupo Elliot y parte de la participacin
del grupo Synergy, a cuatro meses antes de la fecha prevista se logra el objetivo
de los 17K o (17.000 bpd petrleo); en el mes de octubre se comienza el proyecto
de perforacin Pozos de Avanzada. En el ao dos mil ocho (2.008), la fusin de
Petro Rubiales Energy con Pacific Stratus Energy da origen a Pacific Rubiales

5

Energy Corporation (Pacific Rubiales Energy Corp.), una matriz de Meta
Petroleum, Quifa Petroleum y Tethys Petroleum, y a principios del mes de Febrero
se alcanza la produccin record de 29.543 bpd petrleo; en el mes de abril entra
en funcionamiento el PF-2 (Production Facility), en el Campo Guaduas, con la
finalidad de diluir y transportar 26.000 bpd de crudos pesados provenientes del
Campo Rubiales- actualmente, los crudos se transportan desde Guaduas hasta el
Oleoducto de Alto Magdalena (OAM) a travs de nuestro oleoducto de 63.7 km. La
produccin del Campo presente sobrepasa los 70.000 bpd petrleo.

1.3 CARACTERSTICA DEL CAMPO RUBIALES

El desarrollo principal del yacimiento del Campo Rubiales se centraliza en las
Areniscas Basales de la formacin Carbonera que corresponden a la edad del
Eoceno Superior Oligoceno Inferior (Figura 2)

Figura 2. Geometra de depositacin del Campo Rubiales.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum CORP.


6

El tipo de ambiente en el que se depositaron las Areniscas Basales es de tipo
Fluvial, la geometra del yacimiento lo califica como complejo porque es una
combinacin entre canales entrecruzados, canales con sinuosidad alta y canales
tipo meandro; los cuales migraron y operaron de forma lateral sobre una llanura
aluvial estable (es decir de baja subsidencia), generando una variedad de sub-
ambientes entre los que se encuentran: barras, intracanales, islas, entre otros.

Las interpretaciones de los corazones y soportado por registros muestran un
dominio fluvial desarrollado por un sistema estuarino. La direccin del sistema
fluvial es noroeste, en cualquier punto ubicado en la secuencia del canal, pero la
direccin local del flujo puede variar por el carcter sinuoso de algunos canales
especficos.

Gran parte de los corazones muestran caractersticas de comportamiento el cual
consiste en la posicin del canal hacia arriba generando una prdida de la calidad
del yacimiento en esa direccin. La base de algunos canales aislados muestra
impregnaciones bajas de hidrocarburos e intercalaciones de arcillas. No todo el
intervalo del canal son arenas en el yacimiento, en la secuencia total deposicional
de la roca yacimiento hay combinaciones de canales relacionados al yacimiento
como barras de puntos, barras longitudinales, diques, barras de hendidura y
barras transversales.

En las arenas de mayor calidad, se identificaron porosidades superiores al 24%, la
facies del canal de hendidura representa por lo general porosidades variables
entre 17 al 27%. Los depsitos sobrebancarios son definidos con un volumen de
arcilla mayor al 25% del total de los elementos del yacimiento.

Las caractersticas de la roca que controla la calidad del yacimiento es el
contenido de arcilla-lutita, el contenido de estas dentro de la unidad Areniscas
Basales ocurre como ndulos, laminaciones y crecimientos excesivos de granos

7

antignicos. Esta distribucin se observa en la inspeccin de los corazones de
Rubiales-46 y Rubiales-51.

Anlisis realizados a los corazones de los pozos Rubiales-46 y Rubiales-51
determinaron que la porosidad es de tipo intergranular. La unidad de Areniscas
Basales tiene un espesor de 140 a 280 pies de espesor y recubre el paleozoico y
su inters econmico. Es caracterizado por poseer un grano grueso a grano fino
con intercalaciones de lutitas y carbones menores. La proporcin Arena-lutita es
de 70% aproximadamente.

1.4 CARACTERSTICAS DE LOS FLUIDOS

Los factores del yacimiento y de los fluidos del Campo Rubiales (Tabla 1.),
presenta una profundidad promedio de la Unidad Arenisca Basales de 2.700 Pies
TVD, el aceite presente en los yacimientos del Campo Rubiales es de base
parafnica y su gravedad API oscila alrededor de los 12.5API, clasificndose de
esta manera como un crudo pesado. De acuerdo al comportamiento de la presin
la cual medida a una profundidad promedio de la Unidad Areniscas Basales es de
1.170 psig y a vez a una temperatura de yacimiento de 145 F la presin de
burbuja es de 80 psia, condiciones bajo las cuales la solubilidad del gas es de 5
SCF/STB, el factor volumtrico inicial fue de 1.013 Bbl/STB y la viscosidad del
petrleo es 730.98 cP. En cuanto a la salinidad promedio del agua de formacin
es de 300-1.000 ppm de slidos disueltos totales.

8


Tabla 1. Factores del Yacimiento y de los Fluidos.
Parmetro Propiedades de Roca y Fluido
Profundidad Promedio [U.A.B.] 2.700 [Pies] TVD
Espesor Neto de Arena 140 - 280 [Pies]
Porosidad 18 30 [%]
Saturacin de Agua 25- 58 [%]
Permeabilidad 3 - 20 [Darcies]
Salinidad de Agua Formacin 300 1.000 [ppm]
Temperatura de Yacimiento 145 [F] @ 2.700 [Pies]
Presin de burbuja @ Ty 80 [Psia]
Viscosidad @ Pb 731 [cP]
Compresibilidad del Fluido @ Ty 9.84e10-6 [Psi-1]
Presin del Yacimiento 1.170 [Psig] @ 2.700 [Pies]
Gravedad API 12 .5 [API]
GOR 5 [SCF/STB]
F.V.F 1.013 [Bbl/STB ]
Relacin Agua Petrleo 4.2 bbls/bbls
%FR 16%

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.


9


1.5 GEOLOGA
1.5.1 Marco Geolgico Regional. Geolgicamente, el Campo Rubiales es un
extenso monoclinal de rumbo NNE-SSW, localizado en una porcin de la cuenca
de Antepas, donde algunos sedimentos Palegenos y Negenos estn
descansando sobre rocas Precmbricas y Paleozoicas del Escudo de la Guyana.

La Acrecin de la Cordillera Occidental al Continente Suramericano durante el
Cretcico Tardo al Eoceno Medio permiti la creacin del espacio de
acomodacin en donde una secuencia de sedimentos de la Cuenca Antepas pudo
ser depositada. Este proceso de sedimentacin finaliz con un importante evento
tectnico de deformacin ocurrido hacia el Eoceno Medio en este sector de la
cuenca, el cual posibilit el restablecimiento de una etapa de sedimentacin en la
Cuenca de Antepas, especficamente en las reas de la Cordillera Oriental y de
los Llanos, generando los depsitos fluviales, de llanuras costeras y perimareales
de las Formaciones Mirador y Carbonera durante el Eoceno Medio y el Oligoceno.

La Cuenca de los Llanos en su configuracin presente, se puede dividir en dos
dominios estructurales principales: dominio del Piedemonte y dominio de los
Llanos y este ltimo puede dividirse a la vez en dos sub-dominios bien definidos:
Llanos de Casanare-Arauca y Llanos del Meta. El Campo Rubiales, se encuentra
localizado bajo el subdominio de Llanos del Meta.

El estilo dominante en la Cuenca de los Llanos del Meta, es de fallas normales
convergencia hacia el Oeste y de sus correspondientes fallas antitticas
convergencias hacia el Este (Figura 3), causadas por flexin como respuesta a la
carga tectnica impuesta por la Cordillera Oriental.

10


Figura 3. Corte esquemtico Regional de la Cuenca de los Llanos Orientales.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.

El Campo Rubiales, es el resultado de la migracin de aceite generado por las
rocas Cretceas de la seccin central de la cuenca. La ruta de migracin es
proporcionada, preferencialmente, desde el Arco de Santiago en el centro de la
Cuenca hacia los bordes de la misma, buzamiento arriba.

1.5.2 Marco Estructural. La Cuenca de los Llanos se considera que tiene un
desarrollo como respuesta a una mega secuencia de synrift, relacionada a
la separacin de Norte y Sur Amrica en el Proto-Caribe. Las cuencas del
Magdalena Medio, la Cordillera Oriental y los Llanos constituyen una cuenca
sedimentaria del Trisico al Mioceno Medio.

A travs de las cuencas colombianas, los sistemas de depsito fluvial contienen
prolferos reservorios de hidrocarburos. Los depsitos terciarios de la cuenca de

11

los Llanos en Colombia corresponden en especifico a este sistema de
depositacin, el cual se forma donde los ros mendricos y trenzados progradan
en cuencas lacustres o marinas. Ros trenzados, compuestos principalmente por
cuerpos de arena de depositacin lateral, que estn comnmente nter
estratificados con finos sedimentos de Overbank.

Geolgicamente hablando el Campo Rubiales est localizado en una porcin de la
Cuenca de Foreland1, donde algunos sedimentos palegenos y negenos estn
descansando sobre rocas paleozoicas y precmbricas del Escudo de la Guyana.
(Figura 4).

Figura 4. Ubicacin Geolgica del Campo Rubiales.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.

La estructura del Campo Rubiales est constituida por un amplio monoclinal
orientado regionalmente en una direccin N50 E. La mencionada estructura
presenta un buzamiento de 0.1 a 1.2 en direccin Noroeste (Figura 5).

12

Figura 5. Mapa Estructural al tope del Yacimiento, versin 2008.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.

El caso particular del Campo lo constituye el hecho de identificarse un contacto
original agua- petrleo a diferentes profundidades dentro del yacimiento Arenas
Basales (Figura 6).

Figura 6. Mapa Estructural al tope del Yacimiento, versin 2008.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.

13


El contacto agua-petrleo sigue la tendencia estructural del yacimiento,
presentando algunos cambios de inclinacin hacia el sector oeste del campo
(Figura 7).

Figura 7. Mapa Estructural al tope del Yacimiento, versin 2.008.


Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.
1.5.3 Marco Estratigrfico. La Cuenca de los Llanos Orientales se extiende
desde el cabalgamiento frontal de la Cordillera Oriental de Colombia, al
Oeste hasta los afloramientos Precmbricos del Escudo Guayans (Ro
Orinoco - Guaviare) al Este, se trata de una Cuenca asimtrica constituida
por sedimentos cretceos y terciarios que descansan discordantemente
sobre el Paleozoico y el Basamento.



14

La secuencia sedimentaria de edad Paleozoica Pleistoceno sobrepasa los
25.000 pies en proximidades de la Cordillera Oriental y disminuye
progresivamente en direccin Este Sureste donde alcanza 2.000 a 3.000
aproximadamente (Figura 6).

Figura 8. Mapa Estructural al tope del Yacimiento, versin 2008.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.

La secuencia estratigrfica en el Campo, est constituida por rocas que van desde
el Paleozoico Inferior hasta el Terciario (Formaciones Carbonera, Len Shale,
Guayabo y Necesidad) separadas por discordancias regionales (Figura 7).

15

Figura 9. Columna Estratigrfica generalizada para la Cuenca de los Llanos Orientales.



Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.



16

Figura 10. Columna Estratigrfica Campo Rubiales.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum Corp.

17


El yacimiento lo constituyen las areniscas del tercio inferior de la Formacin
Carbonera, de edad Eoceno Tardo-Oligoceno Temprano, llamadas informalmente
Arenas Basales, las cuales fueron depositadas en un ambiente
predominantemente fluvial y reposan discordantemente sobre rocas Paleozoicas.
El yacimiento se encuentra entre los 2.400 y los 2.900 pies de profundidad, con
muy baja sobrecarga, razn por la cual las rocas tienden a ser relativamente
inconsolidadas. En general se presentan porosidades entre 25 y 33% y
permeabilidades en el rango de 3 a 20 Darcies, propiedades que indican una muy
buena calidad de roca reservorio.

18


2. INCERTIDUMBRE: CONCEPTO Y FUENTES
3


Se define incertidumbre como el estado o calidad de no estar seguro, estar falto
de conocimiento o con duda
4
.

En este texto se definir la incertidumbre como un atributo de todo cuanto rodea
al hombre y del hombre mismo; mientras que el nivel de incertidumbre se
interpretar como una medida de la inseguridad o grado de desconocimiento
acerca del valor que puede tomar una variable, proceso o fenmeno bajo estudio.

Cuando se estudia un proceso especfico, el nivel de conocimiento sobre el mismo
puede variar desde el extremo de no saber absolutamente nada acerca del mismo
(ignorancia total), hasta el extremo de llegar a entender y modelar completamente
su comportamiento (certidumbre total).

Ambos extremos, son poco probables en la realidad, ya que a pesar de no
disponer de ningn modelo que caracterice las variables, fenmeno o proceso
bajo estudio, siempre se dispone de un mnimo de informacin que nos separa de
la ignorancia total. Asimismo, aun cuando se considere, en nuestra limitada visin
cognoscitiva, que se tiene bien caracterizado un proceso, existen ciertamente
eventos fortuitos o efectos de variables secundarias o exgenas dbilmente
caracterizados que ponen en tela de juicio nuestro nivel de certidumbre.

Bajo este contexto, el escenario ms comn es el de la incertidumbre; es decir,
disponer de un nivel de conocimiento que es mayor que la ignorancia total, pero

3
YAES, Medardo; GMEZ, Hernando; VALBUENA, Genebelin. Gerencia de la Incertidumbre.
2002
4
Webster`s Unabridget New Universal Dictionary

19

que no alcanza el estado de certidumbre total. El grado de separacin entre el
nivel de conocimiento del proceso que se tenga, y el estado de certidumbre total
se define como nivel de incertidumbre (Figura 11).

Figura 11. Niveles de Conocimiento.

Fuente. Gerencia de Incertidumbre.

Este nivel de incertidumbre, es tratado de diferentes maneras dependiendo de la
particular actividad profesional y frecuentemente se mimetiza bajo el trmino de
factor de seguridad, o bajo l trmino de contingencia, o cualquier otro trmino
similar (colchn, factor de riesgo, etc.). En todo caso, el nivel de incertidumbre se
suele reflejar en las formas de:
Sobre dimensionamiento o sub-dimensionamiento
Sobre mantenimiento o sub-mantenimiento
Presupuestos sobre estimados o sub-estimados
Fallas o paros no planificados
Estimaciones erradas y desaciertos.

Resultara una respuesta lgica pensar que la incertidumbre proviene del nivel de
conocimiento que se tenga sobre las variables, proceso o fenmeno. Sin embargo,

20

en la mayora de los casos existe otra fuente de incertidumbre que est ligada a la
naturaleza heterognea o inherentemente aleatoria del proceso considerado
(Figura 12)

Figura 12. Tipos de Incertidumbre.
DEL CONOCIMIENTO
DEL SISTEMA/
PROCESO
DE LA VARIABILIDAD
INHERENTE DEL
SISTEMA/PROCESO
INCERTIDUMBRE ALEATORIA
VARIABILIDAD ESTOCASTICA
INCERTIDUMBRE FUNDAMENTAL
INCERTIDUMBRE EPISTEMICA
ES REDUCIBLE A TRAVES
DE ESTUDIO O MEDICIONES
NO ES REDUCIBLE A TRAVES
DE ESTUDIO O MEDICIONES
INCERTIDUMBRE

Fuente. Gerencia de Incertidumbre.

Para entender ambas fuentes de incertidumbre, se analizar una situacin del
mbito petrolero y es el siguiente: se pregunta a un petrofsico el valor de la
porosidad del yacimiento X. En este caso a pesar del grado de conocimiento de
este profesional acerca del valor de este parmetro en el yacimiento considerado,
lo ms probable es que no pueda suministrar un nico valor de porosidad que
represente fidedignamente esta propiedad a lo largo y ancho del yacimiento X.
Esto se debe, principalmente a que el yacimiento X es un sistema inherentemente
heterogneo, cuya composicin y por ende, sus propiedades fsicas varan de un
lugar a otro, y en consecuencia no existe un nico valor que represente la
porosidad en el yacimiento.

21

Este ltimo tipo de incertidumbre, (no considerado como incertidumbre por
muchos especialistas en el rea) se conoce como incertidumbre aleatoria o
variabilidad estocstica; mientras que la incertidumbre asociada al nivel de
conocimiento se conoce como incertidumbre epistmica o fundamental (Figura
12).

Lo importante de la clasificacin anterior es el hecho de que la incertidumbre
epistmica puede reducirse a travs de la adquisicin de mayor conocimiento o
mediante la compra de informacin (adiestramiento de personal, adquisicin de
nuevas y ms efectivas tecnologas de medicin, encuestas, etc.); mientras que la
incertidumbre aleatoria es inherente al proceso, y como tal no puede reducirse a
no ser que se cambie el propio proceso.

Analizando con mayor detalles los diferentes factores que contribuyen a la
Incertidumbre, y como el lector puede observar en la Figura 13, existen muchas
fuentes de incertidumbre, algunas de ellas incrementan el nivel de
desconocimiento del proceso, como es el caso de la carencia de data adecuada
(en cantidad y calidad), y otras de ellas arraigadas a la propia naturaleza del
proceso como es el caso de los sistemas inherentemente heterogneos y
procesos no determinsticos.

Figura 13. Fuentes de Incertidumbre.





Fuente. Gerencia de Incertidumbre.


22

En muchas aplicaciones, se dispone de informacin (data) altamente
representativa del sistema o proceso bajo estudio, pero no en la cantidad
suficiente. Por otra parte, no debe olvidarse, que la mayora de los modelos que se
utilizan para explicar ciertos procesos y comportamiento de sistemas fsicos, no
son ms que modelos matemticos aproximados que slo son vlidos bajo ciertas
condiciones pre-establecidas, muchas veces ignoradas.

Adicionalmente, en cualquier proceso o sistema que se analice la participacin del
ser humano est siempre presente, y con l su alcuota de impredecibilidad, que
dificulta en algunos casos el modelaje de la dinmica del sistema bajo
fundamentos objetivos que garanticen comportamientos consistentes.

Aunado a lo anterior, se encuentran los procesos inherentemente heterogneos,
donde la variabilidad de cada una de sus propiedades o atributos se hace
presente, y aquellos que hasta los momentos se definen como procesos de
naturaleza aleatoria, donde las relaciones determinsticas carecen de sentido.

2.1 DECISIONES QUE INVOLUCRAN INCERTIDUMBRE.

Los planteamientos hechos bsicamente explican que toda decisin que se tome
en este cambiante y heterogneo universo, se caracteriza por cierto nivel de
incertidumbre. Si se acepta esta realidad lo que puede cambiar dentro de un
proceso de toma de decisiones es la forma en que se aborda la incertidumbre y el
tratamiento que se da a la misma. La Figura 14, muestra los tres caminos bsicos
u opciones que se utilizan para abordar la incertidumbre.

Uno de los caminos a seguir consiste en ignorar la incertidumbre. Bajo este
esquema, bsicamente se piensa que todo proceso o fenmeno bajo estudio,
puede perfectamente ser caracterizado por modelos determinsticos donde las
variables de entrada son representadas por valores puntuales o valores nicos.

23

Por consiguiente, se supone que los resultados de tales modelos son
completamente vlidos y no se da cabida en nuestra mente a la ms mnima
posibilidad de que los resultados sean otros. Bajo este modelo mental
bsicamente se est obviando la incertidumbre generalmente asociada a la
mayora de las variables presentes en los modelos fsicos, y por ende, se est
ignorando las consecuencias que se derivan de la posibilidad de que las variables
puedan eventualmente tomar valores diferentes a los seleccionados.

Otro camino sera tratar de conseguir por todos los medios posibles la eliminacin
de la incertidumbre para posteriormente tomar la decisin correspondiente. Este
deseo de eliminar el nivel de desconocimiento de una variable, proceso o
fenmeno nos puede llevar a una parlisis por anlisis de consecuencias a veces
ms graves que el hecho de ignorar la incertidumbre. Bajo esta concepcin es
importante mencionar que parte de la incertidumbre asociada a un proceso de
toma de decisiones no es reducible a travs de la adquisicin de conocimiento, ya
que depende fundamentalmente de la naturaleza aleatoria del proceso bajo
estudio (incertidumbre aleatoria o variabilidad estocstica).

Figura 14. Alternativas para Abordar la Incertidumbre.












Fuente. Gerencia de Incertidumbre.


24

Por ltimo estara el camino de reconocer explcitamente que existe incertidumbre
y considerarla en el anlisis (Figura 14).

2.2 ANLISIS DE RIESGO E INCERTIDUMBRE.

Es un proceso que se inicia con la cuantificacin de los niveles de incertidumbre
de cada una de las variables que intervienen en el modelo de decisin utilizado,
as como el de la incertidumbre propia de los modelos a utilizar (Figura 15).

La cuantificacin del nivel de incertidumbre de cada una de las variables que
intervienen en el modelo de decisin se realiza en forma prctica asignando al
conjunto de valores disponibles de dicha variable, una distribucin probabilstica
(paramtrica o no paramtrica), que en la medida de lo posible, represente la
dinmica de la variable a modelar.

Figura 15. Anlisis de Riesgo e Incertidumbre.









Fuente. Gerencia de Incertidumbre.


25

En algunos casos, es factible que exista cierto nivel de incertidumbre en el modelo
matemtico (ecuacin, inecuacin o correlacin) que se utilizar para representar
un proceso o fenmeno, y eventualmente puede presentarse una situacin donde
se disponga de dos o ms modelos para representarlo. Bajo estas condiciones,
debe incorporarse en el modelo de toma de decisin esta incertidumbre, y
considerarla en las etapas siguientes del anlisis.

Posteriormente se determina el impacto de la incertidumbre en el modelo de
decisin considerado. Bsicamente en esta fase, se propaga la incertidumbre de
cada una de las variables de entrada a travs del modelo seleccionado o grupo de
modelos seleccionados para representar el proceso o fenmeno bajo estudio. De
la misma manera, en esta fase se determina el costo de la incertidumbre y se
realiza un anlisis de sensibilidad para identificar las variables de mayor impacto
sobre el modelo.

Por ltimo se toman acciones para reducir la incertidumbre en caso de ser
tcnicamente factible y econmicamente rentable. Es aqu donde deben
compararse las consecuencias de una accin orientada a reducir la incertidumbre
(y por consiguiente incrementar la probabilidad de acierto), con las consecuencias
de decidir sin reducir la incertidumbre.
2.3 CUANTIFICACIN DE LA INCERTIDUMBRE.

Supngase, que el desarrollo de un campo petrolero est en su fase de
visualizacin y conceptualizacin, y que se necesita realizar un primer estimado de
costo del desarrollo del campo. Para ello, debido a que no se dispone de una
definicin formal del alcance de los trabajos, se rene a un grupo tcnico
multidisciplinario que analice toda la informacin disponible hasta el momento, y
se le solicita el mejor estimado de costo del proyecto.


26

El mejor estimado que este grupo pudo desarrollar se muestra en la Tabla 1. Tal
como puede observarse en esta Tabla, el grupo de especialistas sugiere un valor
ms probable para cada uno de los elementos que conforman la estructura de
costo; mas sin embargo, debido a la falta de informacin no pueden asegurar este
valor y en consecuencia suministran un valor mnimo estimado y el valor mximo
que ellos estiman para cada uno de estos aspectos.

Tabla 2. Estructura de Costos

Mnimo Ms Probable Mximo
Exploracin 150 180 195
Perforacin 80 105 150
Completacin 40 65 90
Infraestructura 20 35 48
Costos (MMUS$)
Actividad

Fuente. Gerencia de Incertidumbre.

La razn por la cual el grupo de especialistas no puede asegurar un nico valor
para el costo de exploracin, perforacin, completacin e infraestructura se debe a
su nivel de incertidumbre en cada una de estas fases del desarrollo y el efecto que
variables externas pueden tener sobre el desenvolvimiento de los
acontecimientos.

Una de las opciones disponibles para analizar esta informacin y tomar una
decisin acerca del estimado de costo, es un anlisis por escenario, donde se
evalan todas las posibles combinaciones entre los valores que puede tomar cada
una de las variables consideradas, obtenindose en consecuencia todo el abanico
de posibles resultados. En la Figura 16 se observan algunos de estos posibles
resultados.

27

Figura 16. Anlisis por Escenarios.











Fuente. Gerencia de Incertidumbre.

El nmero total de escenarios en este caso en particular es 81 (3
4
), de los cuales
en la Figura 16 slo se han representado tres. Tradicionalmente, una vez que se
evalan los resultados de todos los escenarios, normalmente se selecciona aquel
que en lneas generales converge al valor promedio, esto es, aquel conformado
por los valores ms probables estimados para cada una de las variables que
intervienen en el clculo. Este razonamiento aplicado al caso estudiado se traduce
a un costo de trescientos ochenta y cinco millones de dlares (385 MMUS$.) No
obstante, el mismo anlisis nos indica que el costo del proyecto puede variar de
doscientos noventa millones de dlares (290 MMUS$.) a cuatrocientos ochenta y
tres millones de dlares (483 MMUS$.).


28

An cuando el anlisis por escenarios da una idea del conjunto de valores
posibles de la variable resultante, esta tradicional tcnica presenta las desventajas
siguientes:

El enfoque es imprctico, particularmente cuando el nmero de escenarios es
significativamente alto.

Solamente se consideran tres valores posibles para cada variable, atributo o
parmetro de entrada al modelo.

A todos los escenarios se les asigna la misma probabilidad de ocurrencia y no
se admite el hecho de que los valores ms probables tienen mayor posibilidad
de ocurrencia que los valores mnimos y mximos.

De all surge la necesidad de establecer un nuevo esquema para resolver la
situacin donde no slo se determine el conjunto posible de valores que una
variable puede tomar, sino tambin las probabilidades de ocurrencia de cada uno
de estos valores.

Para ello debe considerarse la incertidumbre asociada a cada una de las variables
o parmetros de inters, denominada incertidumbre de las variables de entrada
(Figura 17), y las posibles incertidumbres asociadas al modelo o los modelos a
utilizar en caso de existir (incertidumbre en el modelo, Figura 18).

29


Figura 17. Incertidumbre en las Entradas.

INCERTIDUMBRE
EN LAS ENTRADAS
E E
MODELO
(INFORMACION)
E E
VARIABLE DE SALIDA
(VARIABLE DE DECISION)
A A
B B
C C
D D
VARIABLES DE ENTRADA
(INFORMACION)
N =? (VARA ENTRE 0.8-3)
P =3.5
E = E =
(A+B+C) (A+B+C)
N N
D D
P P
A+(B+C) A+(B+C)
N N
D D
P P

Fuente. Gerencia de Incertidumbre.

Figura 18. Incertidumbre en el Modelo.
E EE E
VARIABLE DE SALIDA
(VARIABLE DE DECISION)
A A
B B
C C
D D
VARIABLES DE ENTRADA
(INFORMACION)
INCERTIDUMBRE
EN EL MODELO
N =? (VARA ENTRE 0.8-3)
P =3.5
E = E =
(A+B+C) (A+B+C)
N N
D D
P P
A+(B+C) A+(B+C)
N N
D D
P P
MODELO
(INFORMACION)

Fuente. Gerencia de Incertidumbre.

30


El efecto de estas incertidumbres asociadas a las entradas y al modelo da origen a
la incertidumbre total, tal como se muestra en la Figura 19.

En un nivel de abstraccin superior, todo tipo de incertidumbre puede concebirse
como incertidumbre de las variables y parmetros de entrada; sin embargo el
esquema anterior se mantendr para efectos didcticos.

Figura 19. Incertidumbre Total.
VARIABLE DE SALIDA
(VARIABLE DE DECISION)
VARIABLES DE ENTRADA
(INFORMACION)
INCERTIDUMBRE
EN LAS ENTRADAS
EE
A
B
C
D
N =? (VARA ENTRE 0.8-3)
P =3.5
E =
(A+B+C)
N
D
P
A+(B+C)
N
D
P
EE
A
B
C
D
INCERTIDUMBRE
EN EL MODELO
N =? (VARA ENTRE 0.8-3)
P =3.5
E =
(A+B+C)
N
D
P
A+(B+C)
N
D
P
MODELO
(INFORMACION)

Fuente. Gerencia de Incertidumbre.
La Cuantificacin de la Incertidumbre como se muestra en la Figura 20,
comprende bsicamente tres fases, en la primera de ella se cuantifica y
caracteriza probabilsticamente cada una de las variables de entrada; en la
segunda se propaga la incertidumbre de las variables de entrada a travs del
modelo; y en la tercera y ltima fase se cuantifica y se realiza la caracterizacin
probabilstica de la variable de salida.

31


Figura 20. Cuantificacin y Propagacin.

ETAPA 2:
PROPAGACIONDELAINCERTIDUMBRE
ASOCIADA A CADA VARIABLE EN EL
MODELOMATEMATICO.
ETAPA 1:
CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADAALASVARIABLESDEENTRADAO
CARACTERIZACION PROBABILISTICA DE
LASVARIABLESDEENTRADA
ETAPA 3:
CUANTIFICACION DE LA
INCERTIDUMBRE ASOCIADA A LA
VARIABLE DE SALIDA ORESULTADO,
O CARACTERIZACION PROBABILISTIA
DEL RESULTADO
E EE E
E = E =
(A+B+C) (A+B+C)
D D
A A
B B
C C
D D
MODELO MODELO
(INFORMACION) (INFORMACION)
VARIABLES DE ENTRADA VARIABLES DE ENTRADA
(INFORMACION)
VARIABLE DE SALIDA VARIABLE DE SALIDA
(VARIABLE DE DECISION)

Fuente. Gerencia de Incertidumbre.

2.3.1 Cualificacin y Caracterizacin probabilstica de las variables de
entrada. En esta primera fase se debe ser muy cuidadoso en la seleccin y
asignacin de las distribuciones probabilsticas a las variables de entrada. Para
ello, adems de realizar las pruebas de bondad o calidad de ajuste, la seleccin
debe estar soportada en un conocimiento de la dinmica y naturaleza de la
variable de inters, donde el sentido fsico de la misma sea cnsono con el
comportamiento estadstico de la distribucin seleccionada (Figura 21).

32



Figura 21. Clasificacin de las Distribuciones de Probabilidad.
NATURALEZAFISICA
DE LA VARIABLE A
MODELAR
CONFINAMIENTO
DE LA VARIABLE
A MODELAR
REPRESENTACION
MATEMATICA DE
LA VARIABLE A
MODELAR
CONTINUA:
DISCRETA:
DISTRIBUCION QUE PUEDE TOMAR
CUALQUIER VALOR DE UN CONJUNTO
IDENTIFICADO DE VALORES, CADA UNO
DE LOS CUALES TIENE UNA PROBABILIDAD
DE OCURRENCIA DADA.
PUEDE TOMAR CUALQUIER VALOR
CONTINUO DENTRO DE SU DOMINIO.
NO
TRUNCADA:
TRUNCADA: DISTRIBUCION QUE PUEDE TOMAR
VALORES CONFINADOS ENTRE DOS
VALORES PRE DETERMINADOS.
DISTRIBUCION QUE PUEDE TOMAR
VALORES QUE SE EXTIENDEN DESDE
MENOS INFINITO A MAS INFINITO.
EMPIRICAS
PARAMETRICA:
DISTRIBUCIONES BASADAS EN
MODELOS PRE ESTABLECIDOS CUYA
DEFINICION MATEMATICA SE BASA EN
CIERTOS COMPORTAMIENTOS DE
VARIABLES FISICAS.
DISTRIBUCIONES CUYA FORMA Y
COMPORTAMIENTO ES DEFINIDA
EXCLUSIVA Y PARTICULARMENTE
POR LA DATA DISPONIBLE.
CARACTERIZACION
PROBABILISTICA DE
VARIABLES

Fuente. Gerencia de Incertidumbre.

2.3.2 Propagacin de la Incertidumbre. La segunda fase para la cuantificacin
de incertidumbre se conoce como Propagacin de Incertidumbre.

La propagacin de incertidumbre es el procedimiento mediante el cual se
incorpora y contabiliza la incertidumbre asociada a las variables de entrada, en un
determinado modelo matemtico (ecuacin, inecuacin o correlacin), para
cuantificar la incertidumbre de la variable de salida; en otras palabras, es la
metodologa o proceso para resolver ecuaciones, cuando las variables de entrada
son distribuciones de probabilidad. Si las variables de entrada al modelo tienen
incertidumbre, entonces el resultado o salida del modelo debe tener
incertidumbre.


33

Para resolver este tipo de problemas, se dispone de diferentes herramientas
numricas como es el caso de la simulacin de Montecarlo (Figura 22), debido a
su amplio alcance y a la facilidad con que hoy da puede realizarse con una gran
variedad de herramientas de software de uso extendido.

Figura 22. Evaluacin de Incertidumbre.
E EE E
E = E =
(A+B+C) (A+B+C)
D D
A A
B B
C C
D D
MODELO MODELO
(INFORMACION) (INFORMACION)
VARIABLES DE ENTRADA VARIABLES DE ENTRADA
(INFORMACION)
VARIABLE DE SALIDA VARIABLE DE SALIDA
(VARIABLE DE DECISION)
SOLUCION NUMERICA
METODO DE SIMULACION METODO DE SIMULACION
DE MONTE CARLO DE MONTE CARLO
SOLUCION ANALITICA
METODO DE LOS MOMENTOS
CONVOLUCIONES

Fuente. Gerencia de Incertidumbre.

Mtodo de Simulacin de Montecarlo.
En esta seccin se discutir ampliamente la Simulacin de Montecarlo, quizs la
herramienta ms utilizada en la solucin de modelos matemticos donde las
variables de entrada vienen dadas por distribuciones probabilsticas.

La simulacin de Montecarlo requiere la completa caracterizacin probabilstica de
las mismas; es decir debe definirse cual es la distribucin de probabilidades que
mejor representa cada una de estas variables de entrada; adems tambin
permite obtener la distribucin completa de la variable de salida.

34


La Figura 23 muestra de manera grfica un modelo de simulacin de Montecarlo.

Figura 23. Simulacin Montecarlo.
VARIABLES VARIABLES MODELO MODELO SALIDA SALIDA
.
.
.
.
.
.
) X ,......, X , X , X ( g Y
n 3 2 1
=
0,237 0,2347 0,2223
0,2266 0,2091 0,2159
0,2179 0,2346 0,2005
0,224 0,2205 0,2238
0,2319 0,2143 0,2278
0,24 0,1839 0,1917
0,2413 0,2267 0,2405
0,2436 0,2292 0,2339
0,2331 0,1973 0,2106
0,2376 0,1985 0,2102
0,2321 0,1823 0,2173
0,2191 0,2017 0,225
0,2315 0,2172 0,2228
0,2326 0,2198 0,231
0,21 0,1762 0,2204
0,2298 0,2305 0,2319
X
1
130,293 36,88 75,613
37 53,977 52,5
41,037 64 49,324
52,5 50,96 54,654
86,092 58,428 57,2
43,223 46,991 31,741
56,5 79,794 58
24,035 58,9 51,564
35,963 40,25 47,85
35,864 63,965 48,48
75,894 88 48,916
30 87,25 54,773
80,475 64,059 38,146
55,102 33,958 85,857
27,59 44,233 45,373
44,767 43,085 53,202
X2
0,186 0,2143 0,2706
0,1831 0,2007 0,318
0,1738 0,0809 0,1467
0,1336 0,1371 0,2008
0,3586 0,4421 0,2833
0,0785 0,2983 0,2419
0,2994 0,3041 0,1241
0,1244 0,2618 0,4011
0,1346 0,3188 0,1999
0,2049 0,1887 0,2079
0,2888 0,2214 0,3869
0,3088 0,1414 0,3987
0,1359 0,1778 0,2433
0,28 0,2844 0,267
0,1862 0,2553 0,1928
0,2651 0,1928 0,1902
Xn
Mean = 0,2205
0,1506 0,1740 0,1974 0,2208 0,2442
f(X
1
)
Mean = 56,2027
16,23 58,88 101,53 144,18
f(X
2
)
Mean = 0,2225
0,0237 0,1568 0,3374 0,5179
f(X
n
)
0,00 20,00 40,00 60,00 80,00
,000
,250
,500
,750
1,000
0,00 20,00 40,00 60,00 80,00
f(Y)
F(Y)
ETAPA 2:
PROPAGACION DE LA
INCERTIDUMBRE ASOCIADA A
CADA VARIABLE EN EL MODELO
MATEMATICO.
ETAPA 1:
CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LAS VARIABLES DE ENTRADA O
CARACTERIZACION PROBABILISTICA DE LAS
VARIABLES DE ENTRADA
ETAPA 3:
CUANTIFICACION DE LA INCERTIDUMBRE
ASOCIADA A LA VARIABLE DE SALIDA O
RESULTADO, O CARACTERIZACION
PROBABILISTIA DEL RESULTADO

Fuente. Gerencia de Incertidumbre.

La Figura 23 muestra una variable aleatoria Y, que est relacionada con las
variables aleatorias
n 3 2 1
X ,.., X , X , X segn la funcin Y= ) X ,.., X , X , X ( g
n 3 2 1
. La
Simulacin de Montecarlo permite obtener la distribucin de densidad de
probabilidades de Y, denotada como f (Y), a partir de las distribuciones de
densidad de las variables de entrada, denotadas como ) X ( f ),... X ( f ), X ( f ), X ( f
n 3 2 1

respectivamente.

35


En la Etapa 1 de este procedimiento, la Figura No. 23 muestra que las
distribuciones ) X ( f ),... X ( f ), X ( f ), X ( f
n 3 2 1
, deben obtenerse desde las muestras
representativas de las variables
n 3 2 1
X ,.., X , X , X . Obviamente, al obtener las
distribuciones de frecuencia para cada variable de entrada, tambin se pueden
obtener las distribuciones acumuladas ) X ( F ),... X ( F ), X ( F ), X ( F
n 3 2 1

correspondientes.

La Etapa 2, es decir la propagacin de la incertidumbre propiamente dicha, es el
corazn de la Simulacin de Montecarlo, y la misma se realiza mediante un
proceso iterativo, siguiendo los pasos que se ilustran en la Figura 24.

Figura 24. Diagrama de Flujo Simulacin Montecarlo.

Generar al eatori amente, un valor de cada vari abl e, desde sus respectivas distribuci ones de probabil idad
Mean=0,2205
0, 150 6 0, 17 40 0, 197 4 0,2 208 0,2 442
f(X
1
)
Mean= 56, 2027
16 ,2 3 58 ,8 8 10 1,5 3 144 ,18
f(X
2
)
Mean= 0,2225
0, 023 7 0,1 56 8 0 ,3 374 0 ,51 79
f(X
n
)
.
X
1j
X
nj
X
2j
Susti tuir en la funcin g ,el conjunto de valores generados aleatoriamente y resolver en forma
determinsti ca para obtener un probable valor de Y para esta iteraci n
) X ,.., X , X , X ( g Y
nj j 3 j 2 j 1 j
=
Registrar y al macenar el resul tado Y
j
.
j < m ?
Fijar el nmero de i teraciones requeridas = m
j=1
Si
No
Con los m valores cal culados de Y (desde Y
1
hasta Y
m
), construir un histograma de frecuencias
y realizar prueba de bondad de aj uste para defi nir la di stribucin probabi lsti ca que mejor aj usta
0,0 0 2 0,0 0 4 0,0 0 6 0, 00 8 0,0 0
f (Y)
j = j +1

Fuente. Gerencia de Incertidumbre.

36

La Figura 24 puede resumirse en los siguientes pasos:

Paso 1: Generar aleatoriamente, un valor de cada variable, desde sus
respectivas distribuciones de probabilidad. (Este paso se explicar con
detalle ms adelante en el texto).

Paso 2: Sustituir en la funcin ) X ,.., X , X , X ( g
n 3 2 1
, el conjunto de valores
generados aleatoriamente y resolver determinsticamente para obtener
un probable valor de Y.

Paso 3: Registrar y almacenar el probable valor resultante de Y.

Paso 4: Volver al Paso 1 y repetir los primeros cuatro pasos hasta completar un
nmero m de iteraciones.

Paso 5: Una vez completadas las m iteraciones, construir un histograma de
frecuencias con los m probables valores de Y almacenados.

Este procedimiento parece muy sencillo, y de hecho lo es; no obstante, el Paso 1,
es decir la generacin aleatoria de valores de cada variable de entrada desde su
respectiva distribucin de probabilidad, procedimiento conocido como muestreo
(sampling), por consiguiente se debe tener sumo cuidado.

Correlacin Probabilstica o Interdependencia.
Se dice que dos variables aleatorias o distribuidas estn correlacionadas, o que
son interdependientes si existe una relacin monotnica entre ambas. Una
relacin monotnica entre dos variables existe cuando cualquier incremento en
una de las variables esta invariablemente asociada con un incremento o
decrecimiento en la otra variable.


37

Cuando el incremento en una variable X se asocia al incremento de una variable
Y, se dice que existe una correlacin positiva o directa; si por el contrario, el
incremento de X implica el decrecimiento de Y (o el decrecimiento de X
implica el incremento de Y), se dice que entre las variables existe una correlacin
negativa o inversa.

Para detectar la posible existencia de correlacin entre dos variables X e Y,
usualmente se grafican los valores de las muestras independientemente
recolectadas de ambas variables, a fin de visualizar si existe algn tipo de
tendencia.

Como puede verse en la Figura 25, los dos primeros grficos de dispersin X vs.
Y (de izquierda a derecha), revelan una clara tendencia o correlacin en el
comportamiento de estas dos variables; mientras que en el ltimo no se observa
tendencia alguna. En los dos primeros casos se puede hablar de correlacin,
positiva o directa en el primero y negativa o inversa en el segundo.

Figura 25. Grficos X vs. Y de dispersin para Identificacin de Correlacin.
0
500
1000
1500
2000
2500
15 20 25 30 35 40
X
Y
1
1,1
1,2
1,3
1,4
1,5
0 500 1000 1500 2000 2500
X
Y
0
500
1000
1500
2000
2500
0 200 400 600 800 1000 1200 1400
X
Y
Variables Positivamente
Correlacionadas
Variables Negativamente
Correlacionadas
Variables No Correlacionadas o
Independientes

Fuente. Gerencia de Incertidumbre.

Reglas de Oro para la Simulacin de Montecarlo
En el desarrollo de cualquier modelo de anlisis de riesgo a travs del algoritmo
de Montecarlo, es sumamente importante, tal como se evidenci en los prrafos

38

anteriores verificar que cada uno de los escenarios evaluados se corresponda con
escenarios potencialmente vlidos, esto es, escenarios que fsicamente puedan
presentarse.

Un reconocido especialista en el rea de anlisis de riesgo establece la siguiente
regla de oro en la aplicacin de Montecarlo en donde toda iteracin de un modelo
de anlisis de riesgo debe corresponder a un escenario fsicamente posible.
5


De esta aparentemente simple pero en realidad compleja aseveracin se
desprenden muchos aspectos importantes a ser considerados en cualquier
modelo de anlisis de riesgo que se prevea resolver a travs del algoritmo de
Montecarlo.


Las conclusiones ms importantes extradas de esta regla de oro, que una vez
implementadas contribuirn a la representatividad y robustez del modelo de riesgo
desarrollado son las siguientes:

Apropiada seleccin de las distribuciones que caracterizan las variables de
entrada y los parmetros del modelo.

- Verificar la naturaleza continua o discreta de la variable considerada y
seleccionar una distribucin acorde con su naturaleza.
- Validar el dominio de la variable considerada con el de la distribucin
seleccionada. Truncar la distribucin seleccionada cuando su dominio no se
corresponda con el dominio de la variable considerada.
- Sin menosprecio de los criterios de prueba de calidad de ajuste de
distribuciones (Goodness of fit test), se debe validar si el comportamiento
probabilstico definido por la distribucin que mejor ajusta "matemticamente

5
CLEMEN, R.T. Making Hard Decisions- An Introduction to Decision Analysis. 1991.

39

hablando se corresponde con el comportamiento real de la variable a modelar
(sentido fsico de la variable).

Verificar la dependencia probabilstica entre las variables y parmetros del
modelo y considerar los correspondientes factores de correlacin
- El efecto de la interdependencia puede ser tal, que los resultados sin
considerarla pueden estar significativamente errados, al punto que sea
contraproducente su uso para la toma de decisiones.
- El efecto de la interdependencia entre las variables de entrada y parmetros
del modelo considerado se hace ms significativo para variables moderada y
altamente correlacionadas; sobre todo, si el efecto de estas variables sobre la
salida del modelo es importante (alta sensibilidad)

Modelar las variables probabilsticamente una sola vez en todas las etapas del
desarrollo del modelo.

- Para una variable caracterizada probabilsticamente, el valor puntual
seleccionado aleatoriamente por el algoritmo de Montecarlo para evaluar un
escenario en particular (iteracin) debe conservarse constante a lo largo de la
ejecucin de la iteracin.

- Algunos modelos son tan complejos que requieren la utilizacin de diferentes
ecuaciones (sub-modelos) en donde una misma variable puede intervenir. Si la
variable es definida probabilsticamente ms de una vez dentro del modelo, el
valor seleccionado aleatoriamente por el algoritmo de Montecarlo para la
misma variable puede llegar a ser diferente en algunos sub-modelos dentro de
una misma iteracin (escenario). Este escenario no es potencialmente
observable en la realidad y desvirtuara los resultados del modelo.


40

2.4 ANLISIS DEL IMPACTO DE LA INCERTIDUMBRE.

2.4.1 Anlisis de Sensibilidad. El anlisis de sensibilidad permite cuantificar la
contribucin relativa de cada una de las variables aleatorias de entrada al modelo,
a la dispersin o varianza del resultado o variable de salida del modelo.
Obviamente es un procedimiento que debe realizarse despus de haber
completado la propagacin de incertidumbre por Simulacin de Montecarlo.

Este anlisis es de vital importancia para el Anlisis de Riesgo e Incertidumbre,
ya que permite identificar las variables de entrada al modelo en las que debe
centrarse la atencin y tomar las acciones necesarias (compra de informacin,
toma de datos adicionales, anlisis causa raz, etc.) para mejorar el nivel de
conocimiento sobre las mismas (de ser tcnicamente factible y econmicamente
rentable), y as lograr reducir la incertidumbre de la variable de salida.

Diagramas de Tornado.
El diagrama de tornado es quizs la forma ms conocida de mostrar un anlisis de
sensibilidad. Existen dos tipos de diagramas de tornado:
Diagrama de Tornado Clsico o de una variable a la vez
Diagrama de Tornado de Coeficientes de Correlacin

- Diagrama de Tornado Clsico o de una variable a la vez
En este tipo de diagrama, se determina un valor referencia de la variable de
salida, evaluando la ecuacin que la relaciona con las variables de entrada para
los valores medios de estas. Partiendo de este valor referencia, se hace variar a
la vez una de las variables de entrada desde un valor mnimo que puede
corresponder a su percentil 90 (P
90
) hasta un valor mximo que puede
seleccionarse como su percentil 10 (P
10
), y se determina que tanto se incrementa
o decrece el valor de la variable de salida de su valor referencial en funcin de una
variacin del 90% de la variable de entrada estudiada.

41


Este procedimiento se repite para cada una de las variables de entrada, y de esta
forma se evala el efecto de variacin (sensibilidad) en la variable de salida con
respecto a cada una de sus entradas. Es necesario mencionar, que cuando se
modifica una entrada en particular, las otras entradas se mantienen en sus valores
medios, de all el nombre de este anlisis (Figura 26).


Figura 26. Anlisis de Sensibilidad Diagrama de Tornado Clsico.













Fuente. Gerencia de Incertidumbre.
- Diagramas de Tornado de Coeficientes de Correlacin.
En este tipo de diagramas, la contribucin relativa de cada una de las variables
aleatorias de entrada a la dispersin o varianza del resultado o variable de salida

42

se cuantifica a travs del clculo de los Coeficientes de Correlacin por Ranking
o Coeficientes de Spearman. En este caso, los Coeficientes de Correlacin se
determinan entre cada una de las variables aleatorias de entrada al
modelo____________ y la variable de salida Y =

Si se denota con
ij
X los valores aleatorios de cada una de las variables X
i

(i=1,2n) generados en la iteracin j (j=1, 2,3..m) del proceso de simulacin, y
con ___________________ el valor que toma la variable de salida en la iteracin
j, la covarianza de Y con cada una de las variables aleatorias de entrada viene
dada por la expresin matemtica:

Ecuacin1

Donde:









Este clculo est restringido al uso de simulacin de Montecarlo como mtodo
para propagar incertidumbre, y el mismo puede resultar muy tedioso, ya que como

43

se explic en los procesos de simulacin se hacen miles de iteraciones, lo que
implica tener miles de valores generados desde cada distribucin de las variables
de entrada y en consecuencia, miles de valores de la variable de salida para
proceder entonces a calcular covarianzas y posteriormente factores de
correlacin.

Afortunadamente, los programas ms conocidos para realizar Simulacin de
Montecarlo (Crystal Ball de Oracle) tienen incorporados algoritmos ejecutables que
realizan estos clculos con gran velocidad.

Para un caso ejemplo del clculo del POES realizado con Simulacin de
Montecarlo, el diagrama de tornado que se obtiene se muestra en la Figura 27.

Figura 27. Grfico de Tornado del POES.








Fuente. Gerencia de Incertidumbre.

Este mtodo tiene caractersticas especiales tales como:

44


Por estar basado en el clculo de coeficientes de correlacin, los cuales
pueden ser positivos o negativos, adems de cuantificar o dimensionar la
influencia de la varianza de cada variable de entrada en la variable de salida,
permite ver el sentido de esta influencia; es decir los coeficientes positivos
implican dependencia directa entre la variable de salida y la variable de
entrada; y los coeficientes negativos implican dependencia inversa.

Este tipo de anlisis de sensibilidad se aplica tradicionalmente cuando la
propagacin de incertidumbre se realiza con Simulacin de Montecarlo. Este
tipo de anlisis permite asimismo incluir el efecto de las correlaciones
probabilsticas de las variables de entrada en la variable de salida.

Este ltimo punto hace que el clculo de la contribucin a la varianza de cada
variable de entrada en la variable de salida, sea mucho ms realista que otros
mtodos de anlisis de sensibilidad.

Para ilustrar este punto, vale la pena destacar que en el caso ejemplo donde
se realiz un anlisis de sensibilidad a un clculo del POES en el que no se
consideraban correlaciones probabilsticas, la contribucin a la varianza de la
variable Saturacin de Agua (Sw) result prcticamente nula. Sin embargo,
para este caso, en el cual se ha considerado el efecto de las correlaciones
probabilsticas en la Simulacin de Montecarlo, el anlisis de sensibilidad
revela una alta contribucin a la varianza de la variable Saturacin de Agua
(Sw): esto debido al alto factor de correlacin entre la Saturacin y las
variables dominantes ANP y Porosidad.

45


3. ANLISIS DE RIESGO EN LA FASE DE DESARROLLO

En la fase de desarrollo, las incertidumbres concernientes al POES son menores
que en la fase exploratoria, sin embargo, el proceso es complejo en esta fase,
pues envuelve un gran nmero de atributos inciertos altamente dependiente de la
estrategia de produccin. Lo cual implica decisiones crticas.

En la transicin entre las fases de evaluacin y desarrollo de un campo, el
desempeo del anlisis de riesgo permite los criterios de la toma de decisin para
cuatro opciones
6
:

Invertir en informaciones adicionales: adquisicin de nueva ssmica, realizacin
de nuevos procesamientos, perforacin de pozos de delimitacin o
implementacin de un sistema piloto de produccin;

Iniciar el desarrollo del rea. En este caso son hechas recomendaciones sobre
la hiptesis bsica a considerar, normalmente el escenario ms probable;

Iniciar el proceso de desarrollo e invertir en adquisicin de informacin
simultneamente. Es el caso de un proyecto muy atractivo, an en el escenario
mnimo, para lo cual se desea reducir la dispersin de los indicadores
econmicos;

Decidir por el abandono definitivo del proyecto o su aplazamiento para la
espera de nuevos avances tecnolgicos o mejora en el escenario econmico.


6
GUEDES, S.S., Pinto, A.C.C., Cora, C.A.G., Pizarro, J.O.S., e Bittencourt, A.F. Aplicao de
Anlise de Incertezas no Desenvolvimento de Acumulaes Petrolferas Marginais em guas
Profundas.2000Guedes, S.S. 2.000

46

En el diseo del plan de desarrollo, el anlisis de riesgo permite la optimizacin del
proyecto y su flexibilizacin, permitiendo la reubicacin, alteracin de la cantidad
de pozos, adecuacin de la capacidad de produccin y tasas de inyeccin. La
incorporacin del riesgo en la estimacin de los volmenes de hidrocarburos los
cuales suministra importantes beneficios en los procesos de toma de decisin
posibilitando mejorar los indicadores econmicos del proyecto, maximizando la
expectativa de ganancias y minimizando la exposicin de prdidas.

Los conceptos tericos relacionados a las distribuciones comnmente adoptadas
en la industria petrolera y los parmetros econmicos aplicados en el anlisis de
riesgo en la fase de explotacin, son los mismos utilizados para el anlisis de
riesgo aplicada al desarrollo de campos petroleros y los valores P90, P50 y P10
son adoptados como patrn en la representacin de los valores pesimista,
probable y optimista de las estimaciones de los resultados tcnico o econmico de
los campos.

3.1 TRATAMIENTO PROBABILSTICO.

La gran complejidad inherente que se presenta en un yacimiento, consecuencia de
los procesos geolgicos deposicionales, hace que el modelo geolgico sea un
proceso con muchas incertidumbres implicadas.

El estudio integrado de un yacimiento es bastante complejo por s slo, siendo
caracterizado sinrgicamente, con un gran nmero de parmetros. Adems de la
complejidad natural del yacimiento, los estudios siempre conllevan un nivel de
incertidumbre, los cuales son considerados indicadores desconocidos para el
yacimiento. Por lo tanto tal desconocimiento y complejidad de las incertidumbres
geolgicas y de ingeniera conducen a un tratamiento probabilstico.


47

La elaboracin de un pronstico del comportamiento futuro de la produccin del
campo, es la premisa bsica para el soporte de las acciones a realizar. Aunque si
bien las estimaciones pueden ser hechas por simple uso de valores que son
obtenidos de las correlaciones del yacimiento. A su vez, este pronstico depende,
entre otros factores, del conocimiento de los atributos del yacimiento,

Las incertidumbres presentes en la determinacin de los atributos implican un
riesgo para el proceso en el que aun no se tiene una prediccin precisa de los
resultados futuros del proyecto. La evaluacin de riesgo requiere un anlisis ms
exhaustivo de los distintos escenarios, generando una serie de pronsticos de las
estimativas del Petrleo Original En Sitio (POES) y de los parmetros de
desempeo del yacimiento, como: produccin acumulada de petrleo, factor de
recobro, etc. La tolerancia al riesgo vara de una compaa a otra en funcin de
su capacidad de absorber sus prdidas.

La cuantificacin de las incertidumbres con relacin en el desempeo de un
campo permite un mejor anlisis de proyectos econmicos de E&P, al posibilitar
una obtencin de reservas en una opinin probabilstica, que ayuda en la
optimizacin en los planes de desarrollo y las acciones a realizar en las decisiones
en gestin del yacimiento. Cuantificar las incertidumbres en medio fsico
(geolgicas), asociadas en expectativas futuras al precio del petrleo, o costos
operacionales (econmicas), las acciones tcnicas, polticas, ambientales, entre
otras, permite una obtencin de probabilidades mas estimativas de indicadores de
desempeo, tales como el valor presente neto, (VPN), al posibilitar una mejor
comparacin entre los atractivos del proyecto.

3.1.1 Incertidumbre en medio fsico. Las incertidumbres relacionadas con el
medio fsico se derivan sobre la estructura del modelo del yacimiento, las
propiedades de la roca, las propiedades de los fluidos, etc.


48

El conocimiento o modelamiento del yacimiento proviene de la escasez de datos
procedentes directamente de pozos perforados, de datos indirectos,
principalmente ssmicos, o la comparacin con otros yacimientos del mismo
ambiente deposicional, o incluso la presentacin de un nico afloramiento
(contexto geolgico). Entre las fuentes para la obtencin de datos se puede citar:

De muestras de rocas, para el anlisis de laboratorio para obtener la
porosidad, la permeabilidad, la presin capilar, la compresibilidad y la
permeabilidad relativa.

Recoleccin de muestras de fluidos para la toma de la presin esttica del
yacimiento, calculo de transmisibilidad y el ndice de productividad de los
pozos.

Interpretacin de los registros elctricos en la definicin de tipo roca,
porosidades, identificacin de los fluidos en diferentes intervalos (petrleo,
agua o gas) y saturaciones en las fases presentes.

Datos ssmicos como fuente de informacin para la definicin de la geometra
externa y de las principales estructuras del yacimiento.

Las diferentes fuentes de datos estn sujetos a incertidumbres resultantes de:

Errores en las medidas aleatorias.
Errores sistemticos.
Falta de representatividad de las muestras.
Errores en la distribucin espacial de los atributos (heterogeneidades).

En funcin del contexto de las incertidumbres en base a la fuente de datos, estos
errores se propagan en la construccin del modelo del yacimiento. Posteriormente

49

se presentan los errores en la parte numrica y en la simulacin numrica de
yacimientos, intensificando aun ms el escenario de las incertidumbres.

Los resultados de la simulacin con las incertidumbres dependen de la calidad de
la caracterizacin y discretizacin del nivel del entorno fsico. Independientemente
del grado de complejidad del modelo, el estimativo de las incertidumbres de cada
uno de los atributos se debe realizar por los diferentes especialistas que participan
en el proceso del modelamiento (geofsicos, gelogos, petrofsicos, ingenieros de
yacimientos), de manera en posibilitar una cuantificacin de estas incertidumbres
en el desempeo del yacimiento.

3.1.2 Otros tipos de Incertidumbres. Existen muchas incertidumbres que
pueden influir en el xito de los proyectos de E&P. Adems de las incertidumbres
relacionadas con las caractersticas geolgicas (el modelo estructural del
yacimiento, las propiedades de la roca y fluido, etc.), las ms comunes estn
relacionadas con (1) la eficiencia de recobro o el factor de recobro (funcin de las
propiedades del yacimiento y de la estrategia de produccin), (2) la velocidad de
recuperacin (funcin directa de la estrategia de produccin), (3) las variables
econmicas (principalmente los precios), (4) la tecnologa (por ejemplo,
inversiones) y (5) la situacin poltica (por ejemplo, impuestos).

Para un anlisis ms viable de toma de decisiones en la incertidumbre geolgica
se debe integrar con otros tipos de variables inciertas, especialmente relacionadas
con escenarios econmicos, aspectos tecnolgicos y polticos, flexibilidad en la
definicin de la estrategia de produccin. Es importante destacar que esa
integracin no es una tarea fcil de realizar, en efecto esta no es la excepcin,
especialmente por el tratamiento probabilstico el cual genera un gran y
significativo nmero de modelos e integra las combinaciones de los mismos,

50

dando como resultado la inviabilidad en el anlisis de las decisiones. Por lo tanto,
se debe encontrar la manera de realizar el proceso siendo viable y fiable.

En la fase operativa, las incertidumbres relacionadas con el POES y los
escenarios econmicos, siendo los principales factores de anlisis de riesgo. En
esta fase, la integracin entre la incertidumbre geolgica y econmica, se puede
hacer uso de simulacin Monte Carlo o tcnicas similares.

Durante la fase de desarrollo la representatividad de las incertidumbres
relacionadas con el flujo de fluidos y el aumento significativo del factor de recobro,
en algunos casos, estos parmetros pueden no ser necesarios, pero en muchos
otros, un incorrecto anlisis puede resultar en un sub-ptimo desarrollo del campo.
3.2 UTILIZACIN DE LA SIMULACIN NUMRICA EN EL ANLISIS DE
RIESGO.

Las incertidumbres sobre las distintas posibilidades para los modelos estructural y
estratigrfico (geometra externa, distribucin de porosidades, permeabilidades,
espesor poroso) de un campo, las propiedades de los fluidos e iteracin roca-
fluido pueden ser incluidas en la simulacin numrica.

Al definir el modelo esttico, el uso de la simulacin es necesario porque aumenta
la confianza, mejora la calidad de los resultados y provee resultados relevantes de
la produccin. La gran ventaja es que se puede combinar las informaciones de
parmetros petrofsicos con parmetros relacionados al flujo de fluidos y hace
posible la obtencin del desempeo del riesgo. Vale destacar que los conceptos
matemticos que rigen la simulacin numrica, donde el yacimiento es
discretizado en forma de malla y el cual se basan en el tratamiento numrico del
sistema de ecuaciones que rigen el problema fsico. El mtodo ampliamente
utilizado es la discretizacin de diferencias finitas y el simulador adoptado para las

51

realizaciones de las simulaciones de este trabajo es el modelo Black-Oil que
tambin es el modelo ms utilizado en la industria del petrleo y cuya formulacin
puede ser encontrada en los libros especializados.

En la seleccin del tipo de formulacin (malla y otros detalles comnmente
definidos para el modelo de simulacin del yacimiento), se deben realizar con
sumo cuidado para evitar un exceso de tiempo computacional. Lo ideal es que el
modelo planteado sea el que represente el problema fsico en un menor tiempo
computacional, aceptando en ocasiones errores numricos mayores que el
normal, siempre y cuando las incertidumbres presentes en el problema tengan un
menor impacto. Aunque no forman parte del mbito de la metodologa propuesta

3.3 METODOLOGA DE ANLISIS DE RIESGO ADOPTADA.

La metodologa de anlisis de riesgo adoptada en el presente trabajo se encuentra
relacionada a los trabajos desarrollados
7
y tiene como base la simulacin de flujo
de diversos modelos que representan los posibles escenarios del yacimiento a
travs de la combinacin de los atributos inciertos que los caracterizan.

El estudio
8
tiene como base un modelo del yacimiento construido de acuerdo con
la disponibilidad de los datos de caracterizacin de los atributos estticos y
dinmicos. En este modelo los atributos constituyentes de la caracterizacin
geolgica, petrofsica y de fluidos son considerados ms probables, independiente
de algunos de esos atributos sean o no parte de la incertidumbre. Las etapas que
rigen el proceso del anlisis de riesgo, utilizando simulacin de flujo, son divididas
en:


7
LOSCHIAVO, R. Estimativa de Incertezas na Previso de Comportamento de Reservatrios.1999
8
STEAGALL, D.E. and Schiozer, D.J. Uncertainty Analysis in Reservoir Production Forecast during
the Appraisal and Pilot Production Phases. 2001

52

Seleccionar los atributos de relevancia para el anlisis, nmero de niveles y las
probabilidades asociadas de cada atributo;
Modelar el yacimiento a travs de la optimizacin de la estrategia de
produccin para el modelo caracterizado con los valores de los atributos
supuestamente ms probables. La optimizacin es hecha basada en una
funcin-objetivo previamente seleccionado;
Sustituir los niveles inciertos en el modelo base optimizado y simular los
modelos generados;
Realizar el anlisis de sensibilidad con relacin a una funcin-objetivo definida,
reflejando la variacin referente a cada atributo con relacin al caso base;
Seleccionar los atributos crticos presentados en el anlisis de sensibilidad;
Combinar los atributos seleccionados a travs de la tcnica del rbol de
decisiones donde los niveles y probabilidades asociadas son combinados y los
modelos resultantes de esas combinaciones representan la suma de las
probabilidades iguales a la unidad, lo que demuestra que todas las
combinaciones posibles fueron realizadas;
Realizar el tratamiento estadstico en la obtencin de la curva de distribucin
del proceso.

La metodologa usada por otros autores es en general, semejante con alteraciones
en algunas partes del proceso. Las alteraciones son normalmente diferenciadas
por el tipo de simplificacin utilizado visto que el proceso completo ideal es
inviable. Por eso, es importante que algunas de esas simplificaciones sean
estudiadas con mayores detalles para comprender un poco ms el impacto de
ellas en el proceso, como ser visto en este trabajo.

Los tpicos descritos en la metodologa pueden ser representados por el
flujograma presentado en la Figura 3.1.



53


Figura 28. Flujograma del Proceso del Anlisis de Riesgo












Fuente. Uncertainty Analysis in Reservoir Production Forecast during the Appraisal and
Pilot Production Phases. Steagall, D.E. 2001.


3.4 SELECCIN DE ATRIBUTOS.

Una de las dificultades del proceso es integrar y normalizar estandarizar el
tratamiento para los atributos con formato y el grado de informacin diferente.
Varios tipos de atributos pueden ser tratados: continuos, discretos, curvas,
valores, imgenes, etc. Un tratamiento previo es necesario para estandarizar la
informacin, visualizando una comparacin de los efectos, para que a la hora de
realizar la seleccin se haga con criterio.

Por ejemplo, las imgenes generadas por la geoestadstica pueden disponer de la
FDP (funcin de distribucin de probabilidad), representada en la Figura 18.
Cuando no se dispone de imgenes que caractericen las posibles realizaciones
del atributo, las incertidumbres puede ser atribuida por conocimiento de los
especialistas, a travs de los valores mximos, ms probable y mnimo de cada

54

atributo, representada por una distribucin triangular, conforme Figura 18. Es
importante recordar que la incorporacin de la incertidumbre puede ser hecha a
travs de factores multiplicativos y de escala.

El atributo ideal es el conocimiento de toda la distribucin de probabilidad. Para los
atributos relacionados al tipo de roca, en el caso de existir modelacin estocstica
a travs de las imgenes generadas, puede ser obtenida la FDP del atributo y
tambin las diversas posibilidades de la distribucin espacial, o heterogeneidades
del yacimiento. Usualmente los datos son insuficientes para la determinacin de la
FDP., muchas veces se dispone de la modelacin determinada del yacimiento a
travs de mapas geolgicos y de los valores ms probables de las caractersticas
de la roca, fluido y roca-fluido.

Figura 29. Distribucin de Probabilidades de un Atributo Partiendo de Posibles
Realizaciones

Fuente. Estimativa de Incerteza na Previso de Comportamento de Reservatorios.
Loschiavo.1999


55

En esta fase, es importante considerar la agregacin de atributos destinados a
reducir el nmero de variables. La clasificacin sugerida para algunos atributos del
yacimiento es mostrada en la Tabla 1, con relacin a la estimativa probabilstica
del POES, que puede agregar diversos parmetros de incertidumbres, tales como
el rea, arena neta petrolfera, porosidad y saturacin de fluidos. En este estudio,
la dependencia volumtrica se refiere al impacto de los atributos en el clculo del
POES y en las condiciones del flujo de fluidos en el yacimiento.

Tabla 3 Clasificacin de atributos inciertos del Yacimiento en un sector del Campo Rubiales.

Atributo
Dependencia
Volumtrica
Dependencia en el
flujo de fluidos
Saturacin de Agua A A
Arena Neta Petrolfera A B
Porosidad A M
rea A A
Contacto de Fluidos B M
Factor Volumtrico de
Formacin de los Fluidos
B B
A = ALTA M = MEDIA B = BAJA N = NINGUNA

Fuente. Incorporating Dynamic Data into Geostatistics Reservoir Modeling. Campozana.
1997

3.5 ESTRATEGIA DE PRODUCCIN

Despus de definir la caracterizacin del yacimiento, a travs de las propiedades
relativas del modelo geolgico, con cada atributo representado por sus niveles
inciertos y probabilidades debidamente tratadas, se hace necesario construir un
modelo que represente las informaciones relativas a las del yacimiento para la
simulacin y optimizacin de la estrategia de produccin a adoptar.


56

La planificacin de recuperacin de un yacimiento depende de la prctica de
produccin que se encuentra implementado en el yacimiento. En la fase de
desarrollo, la planificacin puede ser dividida en dos fases. La primera se
caracteriza por la eleccin de la estrategia, donde se realiza un estudio basado en
un anlisis de los datos del campo en la definicin de parmetros importantes
asociados a la estrategia de recuperacin, como: tipo de pozo (productor o
inyector) y la geometra del pozo (inclinado, horizontal o vertical). En la primera
fase, tambin se evala la necesidad de un mtodo de recuperacin secundaria
(inyeccin de agua o gas) o an, un mtodo de recuperacin suplementaria. La
segunda fase se caracteriza como la definicin de la estrategia de produccin,
donde es realizado un plan de optimizacin. El proceso de optimizacin, sin
embargo, es una tarea complicada, principalmente en modelos complejos y
cuando los pozos son incontables y se encuentran envueltos.

La connotacin adoptada para el modelo base a ser optimizado es la de un
modelo deterministico, donde los atributos que lo caracterizan son definidos como
los ms probables. Se incluye en la estrategia de drenaje del yacimiento:

Cantidad y localizacin de los pozos productores e inyectores;
Cronograma de entrada de los pozos;
Mecanismo de levantamiento artificial;
Condiciones operacionales de los pozos, tales como lmites de flujos, las
presiones de funcionamiento, intervalos de produccin, entre otros.

En la estrategia de produccin, su objetivo es optimizar la rentabilidad financiera
del proyecto y el factor de recobro de hidrocarburos, teniendo en cuenta el periodo
de tiempo definido para el drenaje del yacimiento. La adopcin de la funcin-
objetivo a ser maximizada en la optimizacin depende de los objetivos de cada
proyecto.

57

3.5.1 Parmetros de produccin y econmicos. Por lo general, los parmetros
analizados en una estimacin de produccin son: la produccin acumulada de
petrleo (Np), la produccin acumulada de agua (Wp), el Factor de Recobro
(%FR) y como parmetro econmico el VPN. Los resultados de produccin para
cada pozo proceden de los resultados obtenidos del historial de produccin y con
su respectivo anlisis de declinacin (DCA), aplicando la ecuacin de ARPS, para
as obtener el perfil de produccin hasta un tiempo estimado o a una tasa mnima
econmica.

La estrategia de produccin que fuera a ser adoptada es optimizada para un caso
en un sector del Campo Rubiales (rea seleccionada). Tal procedimiento requiere
gran demanda de tiempo y el objetivo final es un esquema de produccin ideal, en
la medida de lo posible, para el modelo determinista.

Los principales ndices econmicos utilizados para el clculo del VPN se indican a
continuacin:

Precio Equivalente al crudo Rubiales (US$/bbl);
Costo Operacin por Barril Producido;
Regalas;
Disponibilidad;
Servicios de Perforacin;
Completamiento;
Facilidades de Superficie;
Tasa de inters;
Impuestos;
Inversin Total.


58

Indicadores de Rentabilidad

Valor Presente Neto (VPN)
El valor presente neto es el resultado algebraico de traer a valor presente,
utilizando una tasa de descuento adecuada, todos los flujos (positivos o negativos)
relacionados con un proyecto. Analticamente, el valor presente neto mide el
aporte econmico de un proyecto a los inversionistas. Esto significa que refleja el
aumento o disminucin de la riqueza de los inversionistas al participar en los
proyectos.
El valor numrico del valor presente neto puede ser interpretado de varias formas;
esto dar lugar a la toma de decisiones acerca de la inversin del proyecto:

VPN > 0: Para este caso, las utilidades que representa la implementacin del
proyecto, son mayores a los costos de inversin; de esta manera se dice que el
proyecto es viable e igualmente atractivo.

VPN < 0: En casos con datos de Valor Presente Neto menores a cero, no es
viable el desarrollo del proyecto, ya que se tiene que la inversin para la
implementacin del proyecto nunca ser cubierta segn el tiempo de estudio de la
proyeccin de los negocios.

VPN = 0: En esta situacin la aprobacin o denegacin del proyecto resulta
indiferente, ya que el costo de inversin es apenas cubierto por las utilidades que
deja la aplicacin del mismo.

Tasa Interna de Retorno (TIR)
La tasa interna de retorno corresponde a aquella tasa de inters que hace igual a
cero (0) el valor presente neto de un proyecto. Esta es la rentabilidad de los
fondos que realmente se encuentran invertidos en el proyecto. O la rentabilidad

59

que el proyecto le permite generar a un dlar, mientras el mismo se encuentre
invertido en el proyecto.

Con frecuencia se habla de la tasa interna de retorno como la Rentabilidad del
proyecto. En un sentido estricto esto ser cierto si los fondos que libera el proyecto
se reinvierten a una tasa de inters igual a esa tasa interna de retorno. Esto es, la
rentabilidad final del proyecto durante un cierto perodo depende finalmente de la
forma como se inviertan los fondos que libera el proyecto en fechas anteriores a
su culminacin.

3.5.2 Valor de la informacin. Otro punto de relevancia es el concepto del valor
de la informacin que intenta identificar los beneficios que puede proporcionar una
informacin adicional para reducir el riesgo y, consecuentemente, el aumento del
valor esperado del proyecto con el cambio de decisin que puede proporcionar la
informacin.

Ejemplos de los tipos de informacin: (1) prospeccin ssmica, (2) pozos
adicionales, (3) pruebas de laboratorio, etc. Ese concepto no es utilizado en el
presente trabajo, pero est directamente relacionado con los conceptos del
anlisis de riesgo.

3.5.3 Valor de la flexibilizacin. Otra caracterstica importante en el proceso de
toma de decisiones est relacionada con la posibilidad de aplazar una decisin
para minimizar los efectos negativos de una determinada incertidumbre. En
general, una decisin tomada ms tarde tiende a tomar ms datos en
consideracin, minimizando el riesgo, pero, en contraste, tambin puede atrasar la
entrada de ingresos y puede aumentar los costos. Por ejemplo, el desarrollo de un
campo por etapas puede ser interesante para los casos en que el riesgo es muy
elevado; as, parte del desarrollo del campo slo es determinado despus de

60

informaciones obtenidas de una primera fase. El potencial de ganancia con esta
estrategia est asociado al valor de la flexibilizacin de un proyecto. Aunque no
forman parte del mbito de la metodologa propuesta, el clculo de ese valor
puede seguir bsicamente el mismo procedimiento del valor de la informacin,
pero la aplicacin prctica no es simple y merece una investigacin ms a fondo.

3.6 INTEGRACIN DE LAS INCERTIDUMBRES EN LA FASE DE
DESARROLLO

En el caso en que la decisin sea de definir y establecer un plan de desarrollo del
yacimiento, esta fase se encuentra en un contexto de grandes inversiones con el
bajo grado del conocimiento del campo. Luego, la decisin a tomar en ese
contexto se constituye en una situacin de riesgo, una vez que las expectativas
con relacin a la decisin sean posibles en que no se concretice.

En esta fase, el aumento del impacto de las incertidumbres relacionadas con el
flujo de fluidos aumenta significativamente, y es un punto muy importante en la
definicin de la estrategia de produccin.

De esta forma, para aumentar la confiabilidad del proceso en la toma de
decisiones, las incertidumbres relacionadas con las caractersticas geolgicas
deben integrarse con las incertidumbres relacionadas a aspectos tecnolgicos,
econmicos, en la definicin de la estrategia de produccin. Evidentemente esta
integracin no es tarea fcil, una vez que el tratamiento probabilstico genera un
gran nmero de modelos combinados.

Como en esa fase los atributos relacionados con la recuperacin se hacen
relevantes, la estrategia de produccin se convierte en un atributo incierto en el
proceso. Lo ideal sera tratar la estrategia como un atributo incierto desde el inicio

61

del anlisis. Sin embargo, tal combinacin implicara en un gran nmero de
simulaciones, sobre todo porque se encuentran involucradas otros tipos de
incertidumbres, en funcin del nmero de atributos inciertos involucrados en la
cuantificacin de incertidumbres, el esfuerzo computacional y el tiempo disponible
para la toma de decisiones aumentara significativamente.

En ese punto se torna claro la necesidad de esa integracin, una vez que la
definicin de la estrategia de produccin se encuentra asociada a los aspectos
geolgicos (volumen en sitio de hidrocarburo, modelo estructural del yacimiento,
propiedades de los fluidos, propiedades de la roca, iteracin roca-fluido, etc.),
econmicos (principalmente precios) y tecnolgicos (destacando las inversiones).

Las metodologas propuestas hasta el momento, abordan esos aspectos
separadamente. El gran desafo es encontrar medios de viabilizar esa integracin,
minimizando las prdidas de informacin. La propuesta para esta integracin es la
adopcin de modelos representativos de la incertidumbre geolgica. Despus de
esa seleccin, se aplica, por lo tanto, la integracin con otras incertidumbres.

3.7 DIFICULTADES ENCONTRADAS EN EL PROCESO DEL ANLISIS DE
RIESGO.

Las principales dificultades encontradas en este proceso se dividen en dos
aspectos: (1) el gran nmero de variables que deben ser consideradas, (2) el
esfuerzo computacional requerido. El mayor desafi del anlisis de riesgo es en
esta fase, es de minimizar los efectos ocasionados por las incertidumbres que
envuelven los atributos, a travs de mtodos que puedan viabilizar el proceso,
reduciendo as el esfuerzo computacional y de tiempo.0


62

Dependiendo del tipo de informacin que se tenga de los atributos inciertos, por
ejemplo, imgenes a partir de la simulacin estocstica, la adopcin de ese
refinamiento de informaciones por un lado, aumentara la confianza del anlisis y
por otro, aumentara tambin el nmero de simulaciones en el proceso, el cual
hace que sea inviable.

En este punto es evidente la necesidad de simplificar el proceso para justificar la
viabilidad del mismo, ya que est involucrado un gran nmero de simulaciones. La
utilizacin de la automatizacin del proceso, haciendo uso de la computacin
paralela, es una manera de acelerar el proceso. Pero, es de extrema relevancia
cuantificar el impacto de esas simplificaciones, pues dependiendo del tipo del
problema y los objetivos del estudio, el uso de los mismos puede acarrear
decisiones incorrectas que pueden implicar en un sub-ptimo desarrollo del
campo.

Prcticamente todas las referencias relacionadas al anlisis de riesgo en la fase
de desarrollo con simulacin adoptan como patrn la utilizacin inicial de tres
niveles de incertidumbres para representar el atributo, lo que no deja de ser una
simplificacin, seguida de otras simplificaciones dentro del proceso.

63


4. PLANTEAMIENTO DEL PROBLEMA.

Actualmente, el campo Rubiales se encuentra en la etapa primaria de desarrollo,
la cual involucra la perforacin de ms de 300 pozos entre verticales y
horizontales. Para este desarrollo se requiere predecir con cierto grado de
exactitud los pronsticos de produccin de petrleo y agua con el fin de definir el
tamao de las facilidades de superficie, sistema de inyeccin, oleoducto,
inversiones, etc. Teniendo en cuenta lo anterior, se hace necesario establecer
herramientas que faciliten ajustar los modelos de prediccin de fluidos asociados a
campos petrolferos relacionados con los atributos inciertos del Yacimiento, esto
permitir instaurar la mejor estrategia de desarrollo, contribuyendo a la
optimizacin de la produccin y maximizando el factor de recobro del campo
Rubiales. Para este fin, se debe tener un conocimiento previo de los mtodos que
pueden ser aplicados al campo y tomar en consideracin aspectos de carcter
tcnico y econmico.

Por consiguiente, una de las magnitudes fundamentales estudiadas en el negocio
petrolero es el POES asociado a un yacimiento. Esta estimacin se hace al inicio
de la explotacin de un campo utilizando diferentes principios de clculo, siendo el
ms ampliamente utilizado el modelo volumtrico que se muestra a continuacin:
Bo
Sw ANP A
POES
eff
) ( * * * *
=
1 7758
Ecuacin 2
Donde:
A = rea
ANP = Arena Neta Petrolfera
eff = Porosidad Efectiva
Sw = Saturacin Agua
Bo = Factor Volumtrico

64

Como puede verse, el POES es funcin de una serie de variables; lo que
matemticamente se denota como:

) , , , , ( Bo Sw ANP A f POES
eff
=


Ahora bien, dada la complejidad de los yacimientos de hidrocarburos, la
heterogeneidad en su composicin fsico-qumica y las limitaciones tecnolgicas,
resulta imposible caracterizar cada una de estas variables como simples valores
puntuales; de all que estas variables son calificadas, como variables aleatorias o
distribuidas, ya que en las mismas convergen las fuentes fundamentales de
incertidumbre como lo son el conocimiento incompleto y la heterogeneidad.

El conocimiento incompleto tiene que ver con la dificultad tcnica de medir
parmetros en forma exacta a grandes profundidades, y la heterogeneidad tiene
que ver con la caracterstica eminentemente anisotrpica de estas variables, es
decir, con el hecho de que dichas variables no pueden ser representadas por un
nico valor. Como ejemplo de la heterogeneidad de las variables puede
mencionarse que la porosidad es una propiedad que vara entre un valor mnimo y
un valor mximo a lo largo, ancho y profundo del yacimiento.

Todo lo anterior implica que el POES es en s mismo una variable aleatoria que es
funcin de varias variables aleatorias, cada una de las cuales puede representarse
con una distribucin de probabilidades

A continuacin se describen en detalle todas las etapas requeridas para el clculo
del POES.

65


Etapa 1: Caracterizar probabilsticamente las variables de entrada al modelo: A,
ANP, eff, Sw; Bo, pero este ltimo al presentar un comportamiento constante en
el campo, se tomar como un valor puntual.
Etapa 2: Propagar mediante la Simulacin de Montecarlo la incertidumbre de las
variables A, ANP, eff, Sw en el modelo matemtico del POES, para encontrar la
distribucin de probabilidades del mismo.
Etapa 3: Estimar los parmetros de inters de la distribucin de probabilidades del
POES como la media, la moda y los percentiles.
4.1 CARACTERIZACIN PROBABILSTICA DE LOS ATRIBUTOS DE
ENTRADA AL POES.

4.1.1 Caracterizacin Probabilstica del rea. El rea seleccionada cubre un
total de 8.224 Acres (Figura 30), con 104 pozos productores perforados, de los
cuales 78 pozos son horizontales, y 26 pozos son verticales, siendo as el rea de
mayor poblacin de pozos productores del Campo Rubiales, con un radio de
drenaje, el cual se ha calculado con la produccin de los pozos obteniendo un
promedio de 250 metros, adems, se presenta una distancia promedio entre
pozos de 430 metros, y una navegacin promedio de los pozos horizontales de
330 metros.

66

Figura 30. Seleccin del rea de estudio en un sector del Campo Rubiales.

Fuente. El Autor; PETREL TM.

Adems se propone de que todos los pozos estn dinmicamente conectados, y
as generndome un rea mxima de 15.632 Acres, y se obtiene (ubicado entre el
mnimo y el mximo), un rea ms probable de 11.928 Acres. Para caracterizar
probabilsticamente esta informacin no se realizan pruebas de calidad de ajuste;
sino que se utilizan distribuciones de probabilidad especiales, diseadas para
modelar variables cuando la informacin que se tiene se reduce a tres estimados;
un mnimo, un valor ms probable y un mximo.

En este caso se utilizar la distribucin Beta- Pert ampliamente recomendada para
variables fsicas; cuya funcin de densidad de probabilidades viene dada por:


67




Donde:
Media:
Rc
= (A
min
+ 4 * A
mprob
+ A
max
) / 6
Desviacin Estndar: A

= (A
max
- A
min
)/6
= (
A
- A
min
)*(2*A
mprob
- A
min
- A
max
) / [(A
mprob
-
A
)*(A
max
- A
min
)]
= * (A
max
-
A
) / (
A


- A
min
)

Como se muestra en la Figura 31, la variable aleatoria rea es representada
probabilsticamente con una funcin Beta-Pert, con parmetros = 1.235, = 2,95
y = 3,05. Y adems se obtienen los niveles de incertidumbre, el cual maneja un
nivel pesimista (P90) de 8.224 Acres, un nivel optimista (P10) de 15.632 Acres, y
un nivel ms probable (P50) de 11.928 Acres (Tabla 4).

Figura 31. Distribucin de Probabilidad para el rea












Fuente. El Autor; Crystal Ball.

68


Tabla 4. Niveles de Incertidumbre para el rea.
REA
P90 [Acres] 8.224
P50 [Acres] 11.928
P10 [Acres] 15.632

Fuente. El Autor.

4.1.2 Caracterizacin Probabilstica de Sw, ANP y . Los parmetros
seleccionados en la caracterizacin probabilstica, partiendo de la calidad y
representatividad de los datos, se realiz la muestra en los 26 pozos verticales
productores con sus respectivos ncleos del rea seleccionada, enfatizndose pie
a pie de la Unidad Arenisca Basales. Teniendo en cuenta que el modelo que se
utiliza en el Campo Rubiales es el de doble saturacin.

Por lo tanto, siguiendo el procedimiento de ajuste de curvas o seleccin de
distribuciones de probabilidad, se utilizar la prueba de calidad de ajuste Anderson
Darling, en donde se determin la distribucin paramtrica que mejor se ajusta a
los datos disponibles de Saturacin de Agua (Sw), Arena Neta Petrolfera (ANP) y
Porosidad ().

El anlisis de los datos de Saturacin de Agua (Sw), mostrado en la Figura 32
revela que la distribucin ms adecuada para representar probabilsticamente esta
variable es la distribucin Lognormal, con parmetros =0,44 y = 0,10. Y se
obtienen los niveles de incertidumbre, el cual maneja un nivel optimista (P10) de
0,24 (24%), un nivel pesimista (P10) de 0,75 (75%), y un nivel ms probable (P50)
de 0.44 (44%), (Tabla 5).

69


Figura 32. Distribucin de Probabilidad para la Saturacin de Agua (Sw).

Fuente. El Autor; Crystal Ball


Tabla 5 Niveles de Incertidumbre para la Saturacin de Agua (Sw).
Saturacin Agua
No. Pozos Verticales = 26
P90 [Fraccin] 0.75
P50 [Fraccin] 0.44
P10 [Fraccin] 0.24

Fuente. El Autor.

El anlisis de los datos de Porosidad (), mostrado en la Figura 33 revela que la
distribucin ms adecuada para representar probabilsticamente esta variable es
la distribucin Lognormal, con parmetros =0,30 y = 0,0385. Al obtener los
niveles de incertidumbre, el cual maneja un nivel pesimista (P90) de 0,20 (20%),
un nivel optimista (P10) de 0,42 (42%), y siendo el valor de la moda el nivel ms
probable (P50) de 0.30 (30%), (Tabla 6).

70


Figura 33. Distribucin de Probabilidad para la Porosidad ().

Fuente. El Autor; Crystal Ball

Tabla 6 Niveles de Incertidumbre para la Porosidad.
POROSIDAD
No. Pozos Verticales = 26
P90 [Fraccin] 0.20
P50 [Fraccin] 0.30
P10 [Fraccin] 0.42

Fuente. El Autor.

De acuerdo a la distribucin presentada en el mapa de la Arena Neta Petrolfera
(ANP), mostrado en la Figura 34 se define el promedio de la misma con los
resultados de la caracterizacin que se observa en la Figura 35, revelando que la
distribucin ms adecuada para representar probabilsticamente corresponde a
una distribucin Lognormal, con parmetros =42,81 y = 5,75. Al obtener los
niveles de incertidumbre, el cual maneja un nivel pesimista (P90) de 30 (Pies), un

71

nivel optimista (P10) de 62,5 (Pies), y el nivel ms probable (P50) de 42,81
(Pies), (Tabla 7).

FIGURA 34. Distribucin de la Arena Neta Petrolfera (ANP).

Fuente. El Autor; PETREL TM


Figura 35. Distribucin de Probabilidad para la Arena Neta Petrolfera (ANP).

Fuente. El Autor; Crystal Ball

72


Tabla 7 Niveles de Incertidumbre para la Arena Neta Petrolfera.
ANP
P90 [Pies] 30.0
P50 [Pies] 42.81
P10 [Pies] 62.50
Fuente. El Autor.

4.1.3 Contacto Agua-Petrleo (WOC). La grfica de la profundidad del contacto
basada en algunas pruebas RFTs y en la evaluacin del set de registros de
resistividad en cada uno de los pozos, en donde las zonas de aceite son definidas
por resistividades en el rango de 30 a 40 Ohm-m, muestra un contacto agua-
petrleo inclinado (Figura 36).


Figura 36. Mostrando diferentes profundidades del WOC, desde el oeste hacia el este del
Campo Rubiales.

Fuente. Gerencia de Yacimientos Pacific Rubiales Energy Metapetroleum CORP.

Adems, mediante la elaboracin de mapas combinados estructurales e
isopoteciales de agua y petrleo para el campo Rubiales, se observa la existencia

73

de lneas isopotenciles diferentes para el agua y para el aceite en algunas zonas
del campo, lo cual es un elemento adicional que soporta la existencia de un
entrampamiento hidrodinmico y que justifican la presencia de un contacto agua-
aceite inclinado en el campo.

Caracterizacin Probabilstica del Contacto Agua-Petrleo (WOC). El anlisis
de los datos del Contacto Agua-Petrleo (WOC),obtenidos de los pozos verticales
(26)de un sector del Campo Rubiales (rea Seleccionada), mostrado en la Figura
37 revela que la distribucin ms adecuada para representar probabilsticamente
esta variable es la distribucin BetaPERT, con parmetros =2.040,81 (Pies) y =
70,77. Y se obtienen los niveles de incertidumbre, el cual maneja un nivel
pesimista (P90) de 1898 (Pies), un nivel optimista (P10) de 2143 (Pies), y un nivel
ms probable (P50) de 2027 (Pies), (Tabla 8).

Figura 37. Distribucin de Probabilidad para el Contacto Agua-Petrleo (WOC).

Fuente. El Autor; Crystal Ball


74


Tabla 8 Niveles de Incertidumbre para el Contacto Agua-Petrleo.
WOC
No. Pozos Verticales = 26
P90 [Pies] 1.898
P50 [Pies] 2.027
P10 [Pies] 2.143

Fuente. El Autor.

4.2 CARACTERIZACIN PROBABILSTICA DE LOS ATRIBUTOS DE
ENTRADA AL ANLISIS ECONMICO

4.2.1 Calculo de Reservas. Uno de los grandes problemas a los cuales se
enfrenta en la actualidad en la industria petrolera es el clculo de reservas. La
estimacin de reservas mediante tcnicas estocsticas ha ido tomando auge en la
industria petrolera pues su concepcin permite una mejor cuantificacin del nivel
de incertidumbre asociado a este tipo de cmputos. Desafortunadamente, esta
tarea no es sencilla pues implica un costo asociado, producto de la cantidad de
informacin requerida.

Es comn encontrar que el clculo de reservas se base en el clsico Anlisis de la
Curvas de Declinacin (DCA). Este enfoque tiene el limitante de tener un carcter
netamente deterministico y en cuanto a lo emprico de su concepcin, pero se
presenta como la herramienta de primera mano para evaluaciones de esta
naturaleza. Por lo tanto, la distribucin probabilstica de reservas desarrolladas
mediante la combinacin de la informacin de produccin, usualmente disponible,
y el potencial de los mtodos estocsticos, es a travs del uso del DCA. Esta

75

herramienta, cuyo objetivo es proporcionar bases ms slidas en la toma de
decisiones, usa una tcnica tipo Monte Carlo mediante un eficiente algoritmo de
optimizacin.

En trminos generales, mediante el uso de los grafico de pronsticos Forecast y
contando con la informacin correspondiente a la historia de produccin para cada
uno de los pozos de un sector del Campo Rubiales (rea Seleccionada), se llev a
cabo los clculos de los posibles comportamientos en cuanto a la cantidad de
reservas, ndices de declinacin, ultimo recobro esperado EUR (Np+Reservas
Recuperables) (Tabla 9); se trata de graficar la tasa de produccin contra el
tiempo y posteriormente extrapolar la tendencia establecida (Figura 38), usando
una tcnica especfica. Uno de los parmetros que se tuvieron en cuenta para
dicho anlisis, es por regla del dedo gordo de la Compaa, la tasa mnima
econmica de cada uno de los pozos es 50 bbls.

Figura 38. Anlisis de la Curva de Declinacin Tipo Pozo
199192 93 94 95 96 97 98 99200001 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21
10
50
100
500
1000
5000
10000
O
i
l

P
r
o
d

R
a
t
e

(
C
a
l
e
n
d

D
a
y
s
)
,

b
b
l
/
d
Date
Working Forecast Parameters
Phase : Oil
Case Name : QNP
b : 0.289573
Di : 0.301272 A.e.
qi : 967.778 bbl/d
ti : 08/01/2009
te : 01/31/2022
Final Rate : 49.3434 bbl/d
Cum. Prod. : 1502.16 Mbbl
Cum. Date : 08/01/2009
Reserves : 1158.14 Mbbl
Reserves Date : 01/31/2022
EUR : 2660.31 Mbbl
Forecast Ended By : Rate
DB Forecast Date : Not Saved
Reserve Type : None

Fuente. El Autor; OFM 2007.2.


76


Tabla 9 Resultados obtenidos del Forecast.
POZOS
VERTICALES 26
HORIZONTALES 78
DCA
PROD.ACUM.DE CRUDO (AGO-09) 97 Mbbls
ULTIMO RECOBRO ESTIMADO
(EUR)
138 Mbbls
RESERVAS RECUPERABLES 41 Mbbls
Fuente. El Autor.

El anlisis de curvas de declinacin, basado en las ecuaciones de Arps
9
, es
considerado como un mtodo netamente emprico sin ningn tipo de soporte en
las leyes fsicas que gobiernan el flujo de fluidos en el yacimiento. En su trabajo, el
autor propuso una serie de ecuaciones descritas por el exponente de declinacin,
b, el coeficiente de declinacin, D
i
y el caudal inicial, q
i
. (Ver Anexo C).

Caracterizacin Probabilstica del Anlisis de la Curva de Declinacin.
En el Campo Rubiales, al presentar un mantenimiento de presin por el acufero
activo, se observ en el anlisis estadstico de los parmetros de declinacin, que
la tendencia de los pozos, presentan un tipo de regresin hiperblica.

Caracterizacin Probabilstica al Exponente de Declinacin, b.
El anlisis de los datos del Exponente de Declinacin (b), mostrado en la Figura
39 revela que la distribucin ms adecuada para representar probabilsticamente
esta variable es la distribucin Lognormal, con parmetros =0,28 y = 0,019. Y
se obtienen los niveles de incertidumbre, el cual maneja un nivel pesimista (P90)
de 0,25, un nivel optimista (P10) de 0,31, y un nivel ms probable (P50) de 0.28,
(Tabla 10).


9
CHRISTIE, M.A., Subbey, S., Sambridge, M. e Thiele, M. Quantifying Prediction Uncertainty in
Reservoir Modeling Using Streamline Simulation.2002

77


Figura 39. Distribucin de Probabilidad para el Exponente de Declinacin (b).

Fuente. El Autor; Crystal Ball

Tabla 10 Niveles de Incertidumbre para el Exponente de Declinacin.
EXPONENTE DE DECLINACIN
P90 0.25
P50 0.28
P10 0.31
Fuente. El Autor.

Caracterizacin Probabilstica del Coeficiente de Declinacin, Di.
El anlisis de los datos del Coeficiente de Declinacin (Di), mostrado en la Figura
40 revela que la distribucin ms adecuada para representar probabilsticamente
esta variable es la distribucin Lognormal, con parmetros =0,30 y = 0,0001. Y
se obtienen los niveles de incertidumbre, el cual maneja un nivel pesimista (P90)
de 0,285, un nivel optimista (P10) de 0,315, y un nivel ms probable (P50) de 0.30,
(Tabla 11).



78

Figura 40. Distribucin de Probabilidad para del Coeficiente de Declinacin (Di).

Fuente. El Autor; Crystal Ball

Tabla 11 Niveles de Incertidumbre para el Coeficiente de Declinacin.
COEFICIENTE DE DECLINACIN
P90 0.285
P50 0.30
P10 0.315

Fuente. El Autor.

4.2.2 Parmetros para el Anlisis Econmico. Con el fin de determinar la
factibilidad de instaurar la mejor estrategia de desarrollo al contribuir con la
optimizacin de la produccin y maximizando el factor de recobro, se llev a
cabo el anlisis econmico por medio del estudio de diferentes indicadores,
los cuales son empleados para demostrar la conveniencia o no de la
implementacin de los resultados obtenidos mediante el anlisis avanzado
de ingeniera.


79

Los mtodos utilizados para llevar a cabo la evaluacin econmica del proyecto,
tienen en cuenta el comportamiento del valor del dinero en el tiempo. Esto es
realizado mediante la valoracin de los criterios de Valor Presente Neto y Tasa
Interna de Retorno.

El anlisis econmico es usado como un mtodo de calificacin de las propuestas
establecidas en el proyecto, desde el punto de vista de la generacin de utilidades
econmicas para el dueo y operador del campo.

Flujo de Caja
En finanzas y en economa se entiende por flujo de caja como la acumulacin neta
de activos en un perodo dado y, por lo tanto, este constituye un indicador
importante del desempeo de un proyecto de inversin. Bsicamente es el
resultado de la diferencia entre los ingresos y los egresos de un proyecto o de una
empresa, para un periodo de tiempo.

Ingresos
En el anlisis del flujo de caja, los ingresos son todas aquellas ganancias
obtenidas como resultado de la negociacin de los productos de hidrocarburos
extrados por cada uno de los pozos productores que constan el rea
seleccionada en el campo Rubiales. Como en todo negocio, es de esperar que
luego de realizar una inversin para la ejecucin de un proyecto cualquiera, el
conjunto de todas las utilidades en el tiempo debe exceder en cierta manera al
conjunto de los costos de inversin y de operacin del trabajo propuesto.

Egresos:
Los egresos representan el conjunto de todos los desembolsos que deben ser
contemplados en la implementacin de cualquier proyecto. Para este caso se
contemplaron los siguientes.

80

1. Costos de Inversin
2. Costos de Operacin
3. Impuestos devengados al estado
4. Regalas por Explotacin de recursos Naturales (20% de la produccin).

Caracterizacin Probabilstica del Precio Equivalente al Crudo Rubiales.
Con la variabilidad de los precios WTI (West Texas Intermediate), del crudo en los
ltimos aos (Figura 41), ah dado pie a un mejor desarrollo en la industria
petrolera.

Figura 41. Variacin de los precios del crudo (WTI) vs. Tiempo.

Fuente. El Autor;

En el anlisis de los datos del Precio Equivalente al Crudo Rubiales (US$/bbl),
mostrado en la Figura 42 revela que la distribucin ms adecuada para
representar probabilsticamente esta variable es la distribucin Lognormal, con
parmetros =44,1 y = 5. Y se obtienen los niveles de incertidumbre, el cual
maneja un nivel pesimista (P90) de 27.5 (US$/bbl), un nivel optimista (P10) de 70
(US$/bbl), y un nivel ms probable (P50) de 44.1 (US$/bbl), (Tabla 12).

81

Figura 42. Distribucin de Probabilidad para el Precio Equivalente al Crudo Rubiales
(US$/bbl)















Fuente. El Autor; Crystal Ball

Tabla 12 Niveles de Incertidumbre para el Precio Equivalente al Crudo Rubiales.
WTI EQUIVALENTE CRUDO RUBIALES
P90 [US$/bbl] 27.5
P50 [US$/bbl] 44.1
P10 [US$/bbl] 70.0

Fuente. El Autor.
Caracterizacin Probabilstica a Costos de Operacin por Barril
Producido (Costos de Produccin).
El anlisis de los datos de los Costos de Operacin por Barril Producido
(Costos de Produccin), mostrado en la Figura 43 revela que la distribucin ms
adecuada para representar probabilsticamente esta variable es la distribucin
Triangular, con parmetros =5,27 y = 0,53. Y se obtienen los niveles de
incertidumbre, el cual maneja un nivel pesimista (P90) de 8 (US$/bbl) un nivel
optimista (P10) de 3 (US$/bbl), y un nivel ms probable (P50) de 5,27 (US$/bbl)
(Tabla 13).

82

Figura 43. Distribucin de Probabilidad a Costos de Operacin por Barril Producido (Costos
de Produccin).

Fuente. El Autor; Crystal Ball

Tabla 13 Niveles de Incertidumbre para el Costo de Produccin.
COSTO DE PRODUCCIN
P90 [US$/bbl] 3.00
P50 [US$/bbl] 5.27
P10 [US$/bbl] 8.00
Fuente. El Autor.

4.3.2 Caracterizacin Probabilstica en la Disponibilidad de la Produccin
Asociado a la Eficiencia del Sistema de Produccin (Disponibilidad).
El anlisis de los datos de la Disponibilidad de la Produccin Asociado a la
Eficiencia del Sistema de Produccin(Disponibilidad), mostrado en la Figura 44
revela que la distribucin ms adecuada para representar probabilsticamente esta
variable es la distribucin Triangular, con parmetros mximos, mnimos y ms
probable. Y se obtienen los niveles de incertidumbre, el cual maneja un nivel
pesimista (P90) de 3,00, un nivel optimista (P10) de 0,315, y un nivel ms
probable (P50) de 0.30, (Tabla 14).

83


Figura 44. Distribucin de Probabilidad en la Disponibilidad de la Produccin Asociado a la
Eficiencia del Sistema de Produccin. (Disponibilidad)

Fuente. El Autor; Crystal Ball


Tabla 14 Niveles de Incertidumbre en la Disponibilidad de la Produccin Asociado a la
Eficiencia del Sistema de Produccin.

DISPONIBILIDAD
P90 [%] 92.0
P50 [%] 94.0
P10 [%] 99.0
Fuente. El Autor.

Caracterizacin Probabilstica de los Servicios de Perforacin,
Completamiento.
El anlisis de los datos de los Servicios de Perforacin y Completamiento,
mostrado en la Figura 45 y Figura 46, revela que la distribucin ms adecuada
para representar probabilsticamente cada variable es la distribucin Triangular,
con parmetros mximos, mnimos y ms probable. Y se obtienen los niveles de
incertidumbre, el cual para los Servicios de Perforacin maneja un nivel pesimista
(P90) de 89,29, un nivel optimista (P10) de 108,04, y un nivel ms probable (P50)

84

de 98.22, (Tabla 15). Y para el Completamiento, maneja un nivel pesimista (P90)
de 40,14, un nivel optimista (P10) de 48,57, y un nivel ms probable (P50) de
44,16, (Tabla 16).

Figura 45. Distribucin de Probabilidad en los Servicios de Perforacin. (Servicios de
Perforacin)








Fuente. El Autor; Crystal Ball

Tabla 15 Niveles de Incertidumbre en los Servicios de Perforacin




Fuente. El Autor.

Figura 46. Distribucin de Probabilidad del Completamiento.








Fuente. El Autor; Crystal Ball


85

Tabla 16 Niveles de Incertidumbre del Completamiento
Completamiento
P90 [MMUS$] 40.14
P50 [MMUS$] 44.16
P10 [MMUS$] 48.57
Fuente. El Autor.
Caracterizacin Probabilstica de las Facilidades de Superficie
El parmetro de Facilidades de Superficie, corresponde a los costos asociados: a
la lnea de flujo en la locacin desde la cabeza del pozo, hasta el mltiple de
prueba; el tanque en locacin (si y solo si, hay tanque en la locacin), y los carros
tanque asociados a las pruebas de pozo cuando se presenta produccin a carro
tanque. El anlisis de los datos de las Facilidades de Superficie, mostrado en la
Figura 47 revela que la distribucin ms adecuada para representar
probabilsticamente esta variable es la distribucin Triangular, con parmetros
mximos, mnimos y ms probable. Y se obtienen los niveles de incertidumbre, el
cual maneja un nivel pesimista maneja un nivel pesimista (P90) de 6,40, un nivel
optimista (P10) de 7,74, y un nivel ms probable (P50) de 7,04, (Tabla 17).

Figura 47. Distribucin de Probabilidad de las Facilidades de Superficie.

Fuente. El Autor; Crystal Ball

86

Tabla 17 Niveles de Incertidumbre de las Facilidades de Superficie
Facilidades de Superficie
P90 [MMUS$] 6.40
P50 [MMUS$] 7.04
P10 [MMUS$] 7.74
Fuente. El Autor.

Caracterizacin Probabilstica de las Regalas, Tasa de Descuento e
Impuesto.
La Tabla 18, contiene los estimados hechos en base al comportamiento
econmico del Pas. Ntese que el estimado de Regalas esta dado por dos
valores, un mnimo y un valor ms probable, mientras que el estimado de la Tasa
de Descuento y el (%) Impuesto esta dado por el valor ms probable.


Tabla 18 Niveles de Incertidumbre de las Facilidades de Superficie
REGALAS %IMPUESTOS TASA DE DESCUENTO
Mnimo
Ms
Probable
Ms Probable Ms Probable
20% 80% 0.385 10%
Fuente. El Autor.



87


5. ANLISIS DE RESULTADO

5.1 CALCULO DEL POES
Al obtener la informacin de los atributos inciertos del yacimiento representada por
sus percentiles del anlisis estadstico, se realiz los clculos deterministico y
probabilstico al POES.

5.1.1 Caracterizacin deterministica del Atributo de Salida, POES. Debido a
la cantidad de pozos perforados a la fecha, se calcul el POES en el rea
seleccionada de mayor densidad de pozos (78 Pozos Horizontales y 26 Pozos
Verticales) productores (reservas probadas). De acuerdo a la distribucin
presentada en el mapa de la ANP, se genera en cada espesor un promedio
de la misma (Figura 48 y Figura 49), y al obtener un rea generada por
PETREL TM en cada polgono o rea generada por la anterior herramienta
software, se aplica el clculo volumtrico con el valor ms probable de cada
atributo incierto y as obtener el clculo deterministico del POES. Tabla 19.

FIGURA 48.Mapa de ANP, al generar el rea para cada espesor promedio del rea
seleccionada (En un sector del campo Rubiales).

Fuente. El Autor. PETREL TM

88


FIGURA 49. Mapa de ANP, al generar el rea para cada espesor promedio del rea
seleccionada (En un sector del campo Rubiales).

Fuente. El Autor. PETREL TM

Tabla 19 Niveles de Incertidumbre en el clculo deterministico del POES.
POES DETERMINISTICO
PERCENTILES P90 P50 P10
REA [Acres] 8224 11928 15632
ANP [Pies] 30.00 42.81 62.50
eff[%] 20 30 42
Sw [%] 24 44 75
POES [Mbbls] 290.94
665.54
795.85
Fuente. El Autor.
5.1.2 Caracterizacin Probabilstica del Atributo de Salida, POES. Se realiz
una prueba de bondad de ajuste con los 10000 probables valores del POES
obtenidos con la Simulacin de Montecarlo realizada en la Etapa 2; obtenindose
la distribucin Lognormal como la distribucin ms adecuada. La Figura 50 y
Figura 51 muestra los ajustes tanto para la distribucin de frecuencias como para
la distribucin de frecuencias acumulada. Y sus percentiles se observan en la
Tabla 20.


89


Figura 50. Distribucin de Probabilidad de las Facilidades de Superficie.


Fuente. El Autor; Crystal Ball


Figura 51. Distribucin de Probabilidad de las Facilidades de Superficie.

Fuente. El Autor; Crystal Ball


90

Tabla 20 Niveles de Incertidumbre al POES.
POES PROBABLISTICO
P90 [Mbbls] 438.1
P50 [Mbbls] 663.7
P10 [Mbbls] 911.6
Fuente. El Autor.
5.1.3 Correlacin Probabilstica del Atributo de Salida, POES. Para detectar
la posible existencia de correlacin entre las variables del clculo POES y el
POES, usualmente se grafican los valores de las muestras independientemente
recolectadas de ambas variables, a fin de visualizar si existe algn tipo de
tendencia.

Correlacin Probabilstica del POES vs. Sw
Como puede verse en la Figura 52, revelan una clara tendencia o correlacin en el
comportamiento de estas dos variables; observndose una correlacin altamente
negativa de - 0,7313, al indicar que afecta negativamente en el clculo del POES.

Figura 52. Correlacin Probabilstica del POES vs. Sw.

Fuente. El Autor; Crystal Ball

91

Correlacin Probabilstica del POES vs. ANP
Como puede verse en la Figura 53, revelan una clara tendencia o correlacin en el
comportamiento de estas dos variables; observndose una correlacin dbilmente
positiva de 0,0313, al indicar que afecta positivamente en el clculo del POES.

Figura 53. Correlacin Probabilstica del POES vs. ANP.


Fuente. El Autor; Crystal Ball
Correlacin Probabilstica del POES vs.
Como puede verse en la Figura 54, revelan una clara tendencia o correlacin en el
comportamiento de estas dos variables; observndose una correlacin
moderadamente positiva de 0,4738, al indicar que afecta positivamente en el
clculo del POES.



92

Figura 54. Correlacin Probabilstica del POES vs. .

Fuente. El Autor; Crystal Ball


Correlacin Probabilstica del POES vs. REA
Como puede verse en la Figura 55, revelan una clara tendencia o correlacin en el
comportamiento de estas dos variables; observndose una correlacin
moderadamente positiva de 0,4127, al indicar que afecta positivamente en el
clculo del POES.

93


Figura 55. Correlacin Probabilstica del POES vs. REA.

Fuente. El Autor; Crystal Ball

5.1.4 Anlisis de Sensibilidad del Atributo de Salida, POES. El realizar el
anlisis de sensibilidad por medio del anlisis de tornado de coeficiente de
correlacin, va a permitir identificar las variables de entrada al modelo en las que
debe centrarse la atencin y tomar las acciones necesarias.

Anlisis de Tornado de Coeficiente de Correlacin
Una vez realizado la Simulacin Montecarlo para el caso del clculo del POES, el
diagrama de tornado que se obtiene se muestra en la Figura 54.


94


Figura 56. Diagrama de Tornado al clculo del POES.

Fuente. El Autor; Crystal Ball

El cual, al obtenerse anteriormente las correspondientes correlaciones de cada
uno de los atributos inciertos del yacimiento vs. POES, se observa que el
parmetro de mayor peso en el clculo volumtrico es el atributo de Sw, al
presentar una contribucin a la varianza de -34.8% el cual me afecta
negativamente en el modelo. Sin embargo, los atributos de ANP, , rea, se
observ positivamente una contribucin a la varianza, los cuales me afectan
positivamente en el clculo del POES. Tabla 21

Tabla 21 Contribucin a la varianza del POES.

Fuente. El Autor
Variable % Contribucin a la Varianza
Sw 34.8%
ANP 30.5%
18.4%
rea 16.3%

95

5.2 CLCULO DEL FACTOR DE RECOBRO EN UN SECTOR DEL CAMPO
RUBIALES.

Para el clculo del factor de recobro, se seleccion un sector ubicado en un rea de
mayor densidad de pozos productores en el campo (Figura 30). El rea seleccionada
cubre un total de 8.224 Acres con 104 pozos perforados, de los cuales 26 pozos son
verticales, y 78 pozos horizontales. El POES calculado esta variando entre 438.1
Mbbls (P90) a 911.7 Mbbls (P10) de petrleo con un valor ms probable (P50) de
663,7 Mbbls de petrleo. En la Tabla 22, se presentan los valores promedios para el
clculo del POES. El EUR pronosticado para estos 104 pozos es de 138 Mbbls de
petrleo, con el valor del EUR y el POES del sector, el Factor de Recobro esta
variando entre 15.2% (P90) a 24.6% (P50) con valor ms probable (P50) de 20.4 %.

Tabla 22 Propiedades de Petrleo y Roca en un sector del campo Rubiales.
Propiedad P90 P50 P10
Porosidad 0.20 0.30 0.42
Sw 0.24 0.44 0.75
rea 8224 11928 15632
POES, Mbbls 438.1 663.7 911.7
Np, Mbbls 138 138 138
FR % 15.2 20.4 24.6
Fuente. El Autor.

El factor de recobro para las reas nuevas de desarrollo puede llegar a ser ms alto,
teniendo en cuenta que en el sector seleccionado la relacin de pozo
horizontal/vertical es de 3 mientras que en el desarrollo futuro se har principalmente
con pozos horizontales llegando a una relacin mnima de 5 pozos horizontales por 1
vertical.

5.3 ANLISIS ECONOMICO.
Se realiz una prueba de bondad de ajuste con los 10000 probables valores de los
indicadores de rentabilidad obtenidos con la Simulacin de Montecarlo realizada

96

en la Etapa 2; obtenindose la distribucin Lognormal como la distribucin ms
adecuada para el indicador VPN. La Figura 57 y 58 muestra los ajustes tanto para
la distribucin de frecuencias como para la distribucin de frecuencias acumulada
del VPN. Y sus percentiles se observan en la Tabla 23.

Figura 57. Distribucin de Probabilidad del VPN.

Fuente. El Autor; Crystal Ball


Figura 58. Distribucin de Probabilidad del VPN.

Fuente. El Autor; Crystal Ball

97


Tabla 23 Niveles de Incertidumbre del VPN.
VPN
P90 [MMUS$] 675.4
P50 [MMUS$] 760.4
P10 [MMUS$] 866.3
Fuente. El Autor.

Adems se obtuvo la distribucin Lognormal como la distribucin ms adecuada
para el indicador TIR. La Figura 59 y 60 muestra los ajustes tanto para la curva de
riesgo como para la distribucin de frecuencias acumulada del TIR. Y sus
percentiles se observan en la Tabla 24.


Figura 59. Curva de Riesgo del TIR.















Fuente. El Autor.

98


Figura 60. Distribucin de Probabilidad del TIR.


Fuente. El Autor; Crystal Ball



Tabla 24 Niveles de Incertidumbre del VPN.

TIR
P90 [%] 159.6
P50 [%] 183.8
P10 [%] 209.2

Fuente. El Autor.

Despus de haber calculado el VPN y el TIR respectivos, se obtiene el flujo de
caja total y el flujo de caja acumulado en un perodo dado y, por lo tanto, este
constituye un indicador importante del desempeo de un proyecto de inversin
(Figura 61), Bsicamente es el resultado de la diferencia entre los ingresos y los
egresos de un proyecto o de una empresa, para un periodo de tiempo.

99

Figura 61. Flujo de Caja en un periodo dado del proyecto.








Fuente. El Autor.

Adems se analiza el periodo del pago de la inversin (Figura 62), al observarse
que la inversin se recupera en el primer ao del proyecto, siendo un indicador de
que el proyecto es altamente rentable.

Figura 62. Flujo de Caja en un periodo dado del proyecto.







Fuente. El Autor.


100

5.3.1 Anlisis de Sensibilidad del Atributo de Salida, VPN. El realizar el
anlisis de sensibilidad por medio del anlisis de tornado de coeficiente de
correlacin, va a permitir identificar las variables de entrada al modelo en las que
debe centrarse la atencin y tomar las acciones necesarias.

Anlisis de Tornado de Coeficiente de Correlacin
Una vez realizado la Simulacin Montecarlo para el indicador de rentabilidad del
VPN, el diagrama de tornado que se obtiene se muestra en la Figura 63.

Figura 63. Diagrama de Tornado al indicador de rentabilidad del VPN.

Fuente. El Autor; Crystal Ball

El cual, al obtenerse del anlisis de sensibilidad de cada uno de los atributos del
anlisis econmico, se observa que el parmetro de mayor peso en el VPN es el
atributo del precio equivalente al crudo Rubiales, al presentar una contribucin a la

101

varianza de 95.3% el cual me afecta positivamente en el modelo. Sin embargo, los
atributos de Costos de Produccin, se observ una contribucin a la varianza
levemente negativa de -2.98%, sin embargo, el factor de Disponibilidad, se
observ presenta una tendencia levemente positiva en la contribucin a la
varianza de 1.8%, los cuales tambin me afectan en el clculo del VPN. Tabla 25

Tabla 25 Contribucin a la varianza del VPN.



Fuente. El Autor.
Variable
% Contribucin a la
Varianza
Precio Equiv. Crudo
Rubiales
95.3%
Costos de Produccin 2.98%
Disponibilidad 1.8%

102


CONCLUSIONES

Para el tipo de informacin representados por los niveles en el anlisis
estadstico relacionados a las variables inciertas del yacimiento, el POES varia
en un nivel pesimista (P90) de 438.1 Mbbls, un nivel optimista (P10) de 911.7
Mbbls y un nivel ms probable (P50) de 663.7 Mbbls.

El valor ms probable (P50) del atributo de la porosidad es de 30%, donde el
parmetro de seleccin para el atributo fue la moda, obtenido de los datos de
muestra de los pozos verticales productores (26 Pozos Verticales) del rea de
estudio.

De acuerdo a la distribucin presentada en el mapa de la Arena Neta
Petrolfera, se defini el promedio de la misma, donde el nivel pesimista (P90)
es de 30 Pies, el nivel optimista (P10) es de 62.50 Pies, y el nivel ms
probable (P50) 42.81 Pies.

El anlisis estadstico de los atributos petrofsicos en el clculo volumtrico, se
realiz en los pozos productores verticales (26) del rea de estudio, para que
as, la obtencin de los datos fuese representativo.

El contacto agua-petrleo, se presenta a diferentes niveles estructurales
profundizndose en la misma direccin en la que buza el yacimiento.

En el anlisis estadstico al manejar los niveles pesimista, optimista y ms
probable del POES, adems consecuentemente al obtener el valor del EUR
(138 Mbbls), se logr obtener la eficiencia de recobro manejando un P90 de
15.2%, un P10 de 24.6% y un valor ms probable (P50) de 20.4%.


103

Al presentarse un mantenimiento de presin por el acufero activo, se observ
en el anlisis estadstico de los parmetros de declinacin, que la tendencia
de los pozos, presentan un tipo de regresin hiperblica, donde el atributo b,
presenta una variacin en un nivel pesimista( P90) de 0.25, optimista (P10) de
0.31 y un nivel ms probable (P50) de 0.28, y el atributo Di varia en un nivel
optimista (P10) de 0.315, un nivel pesimista (P90) de 0.285, y un nivel ms
probable (P50) de 0.3.

En el anlisis de curvas de declinacin, se a una tasa inicial global (78 Pozos
Horizontales, 26 Pozos Verticales) de 49273.9 bbls. Las Reservas
Recuperables del rea de estudio es 41 Mbbls.

Efectuar una aproximacin probabilstica de reservas empleando el anlisis de
curvas de declinacin, sin un conocimiento a fondo de los mecanismos de
produccin presentes en el yacimientos, puede arrojar resultados poco
representativos.

Los valores obtenidos en el anlisis estadstico del VPN, en diferentes
escenarios analizados, se obtuvo de algunos factores, independientemente
donde el precio equivalente al crudo Rubiales sea el atributo de mayor peso,
se concluye que es un Proyecto altamente rentable, por lo tanto se puede
continuar con el desarrollo del campo.

Variables econmicas como el valor presente neto, la tasa interna de retorno,
permitieron evidenciar de cierta manera la gran factibilidad en el proyecto de
inversin. Rescatando que el precio internacin del petrleo equivalente al
crudo Rubiales jug un papel determinante en los resultados obtenidos.



104

Un tratamiento previo es necesario para estandarizar la informacin,
visualizando una comparacin de los efectos, para que a la hora de realizar la
seleccin se haga con criterio.

La falta de la normalizacin, puede llevar a la seleccin inadecuada de los
atributos, los cules son utilizados en fases de anlisis posteriores,
perjudicando la confianza de los resultados.


105


RECOMENDACIONES

Se recomienda utilizar valores no tan dispersos en los valores del rea, ya que
la desviacin estndar siendo mi parmetro cualitativo del grado de
incertidumbre, es menor, los resultados sern ms representativos. Por eso se
recomienda utilizar valores promedio al valor del rea probable (8224 Acres).

Obtener los datos de la muestra de los atributos inciertos petrofsicos, pie a pie
en la Unidad Arenisca Basales, en donde se presenta la mayor densidad de
pozos productores verticales (26), que se encuentran ubicados en el rea de
estudio.

Al aplicar el anlisis de las curvas de declinacin tener presente que por regla
del dedo gordo de la compaa, la tasa mnima econmica es de 50 bbl de
petrleo.

Tener presente la estandarizacin de cada uno de los atributos inciertos del
yacimiento, adems en el anlisis econmico, para que al realizar la seleccin
de estos parmetros se haga con criterio y el comportamiento sea
representativo a la hora de la toma de decisiones.

Una vez definido el Modelo Esttico, con el fin de mejorar el nmero de
escenarios se recomienda llevar a cabo un modelo de simulacin numrica de
yacimientos con el propsito de aumentar la confianza, mejorar la calidad de
los resultados y con el fin de variar los parmetros.

Aplicar los conceptos de valor de la informacin y valor de la flexibilizacin
despus de la integracin de los atributos inciertos en el clculo de la funcin-
objetivo.

106


Aplicar un previo anlisis de sensibilidad a los parmetros geolgicos y
econmicos antes de la cuantificacin de las incertidumbres geolgicas para
evaluar el grado de flexibilidad del proceso en el tratamiento de estos
atributos.

Aplicar un anlisis a los atributos inciertos del yacimiento y un respectivo
anlisis econmico nicamente a los pozos horizontales productores, y
nicamente a los pozos verticales productores.

Es indispensable tener un banco de datos que cuente con una considerable
calidad y cantidad de informacin de los pozos pertenecientes al rea de
estudio, ya que este constituye la fuente para de obtener resultados exitosos
en los anlisis de ingeniera, realizados mediante el empleo de herramientas
como el Oil Field Manager (OFM), PETREL TM, Crystal Ball.



107


REFERENCIAS BIBLIOGRAFICAS


CAMPOZANA, F.P., Ballin, P.R. Incerteza na Produo de Petrleo Uma
Proposta Simplificada.1998.

CHRISTIE, M.A., Subbey, S., Sambridge, M. e Thiele, M. Quantifying
Prediction Uncertainty in Reservoir Modeling Using Streamline
Simulation.2002.

CLEMEN, R.T. Making Hard Decisions- An Introduction to Decision Analysis.
1991.

COSENTINO, L. Integrated Reservoir Studies.2001.

COSTA, A.P.A., Schiozer, D.J. Risk Analysis Applied to the Appraisal Phase of
Petroleum Fields.2002

COSTA, A.P.A., Schiozer, D.J. Quantificao do Impacto de Incertezas e
Anlise de Risco no Desenvolvimento de Campos de Petrleo. 2003

CRUZ, P.S. Reservoir Management decision-Making in the Presence of
Geological Uncertainty.2000.

GUEDES, S.S., Pinto, A.C.C., Cora, C.A.G., Pizarro, J.O.S., e Bittencourt, A.F.
Aplicao de Anlise de Incertezas no Desenvolvimento de Acumulaes
Petrolferas Marginais em guas Profundas.2000.

Journal of Petroleum Technology, New Values of Our Information. 1998


108

Journal of Petroleum Technology, Assessing Risk in Estimating Hydrocarbon
Reserves and in Evaluating Hydrocarbon Producing Properties. 1988.

LERCHE IAN. Geological Risk and Uncertainty in Oil Exploration. Academic
Press. 1997.

LOSCHIAVO, R. Estimativa de Incertezas na Previso de Comportamento de
Reservatrios.1999.

MURTHA JIM. Risk Analysis for the Oil Industry.2000

NEPOMUCENO, F. Tomada de Deciso em Projetos de Risco na Explorao
de Petrleo. 1997.

NEWENDORP, P. D. Decision Analysis for Petroleum Exploration.1975

Pacif Rubiales Energy Metapetroleum Corp. Informe Tcnico Anual Campo
Rubiales. 2007

Pacif Rubiales Energy Metapetroleum Corp. Informe Tcnico Anual Campo
Rubiales. 2008

Pacif Rubiales Energy Metapetroleum Corp. Files o historias de Pozo Campo
Rubiales.

Software Oilfield Manager 2007.2 Schlumberger. Manual de uso bsico.

Software Oilfield Manager 2007.2 Schlumberger. Manual de referencia.


109

Software PETREL TM 2008 Schlumberger. Manual de uso bsico.

Software PETREL TM 2008 Schlumberger. Manual de referencia.

Software Crystal Ball de Oracle. Manual de referencia.

Software Crystal Ball de Oracle. Manual de uso bsico.

SPE 18325, Prediction of Hydrocarbon Pore Volume with Uncertainties.

SPE 19475, Uncertainty and Risk in Petroleum Exploration and Development:
The Expectation Curve Method,

SPE 25238, Quantifying the Impact of Geological Uncertainty on Reservoir
Performing Forecast.

SPE 26339, Risk Analysis and Monte Carlo Simulation Applied to the
Generation of Drilling AFE Estimates.

SPE 29254, Applications of Risk Analysis in Petroleum Exploration and
Production Operations.

SPE 36631, Use of Value of Information concept in Justification and Ranking
of Subsurface Appraisal.

SPE 49091, Estimation of Production Forecast Uncertainty for a Mature
Production License.


110

SPE 66399. Uncertainty Analysis in Reservoir Production Forecast during the
Appraisal and Pilot Production Phases.

SPE 69477, Uncertainty in Production Profiles on the Basis of Geostatistics
Characterization and Flow Simulation.

SPE 77375, Quantifying the Impact of Geological Uncertainty on Reservoir
Performing Forecast.

SPE 79679, Quantifying Production Strategy Impact in Risk Analysis of an
E&P Project using Reservoir Simulation,

VREBERG, O., Damsleth, E., Haldorsen, H.H. Putting Error- Bars on
Reservoir Engineering Forecast. 1990.

SCHIOZER, D.J., Ligero, E.L., Suslick, S.B., Costa, A.P.A. e Santos, J.A.M.
Use of Representative Models in the integration of Risk Analysis and
Production Strategy Definition.2003.

STEAGALL, D.E. and Schiozer, D.J. Uncertainty Analysis in Reservoir
Production Forecast during the Appraisal and Pilot Production Phases. 2001

YAES, Medardo; GMEZ, Hernando; VALBUENA, Genebelin. Gerencia de
la Incertidumbre. 2002


111


ANEXO A
10



ESTADISTICA DESCRIPTIVA Y DISTRIBUCIONES DE PROBABILIDAD

A.1 DEFINICION DE PROBABILIDAD.

l trmino probabilidad es comnmente utilizado por las personas para describir
su percepcin sobre el nivel de posibilidad (alto, medio o bajo) de ocurrencia de
un evento en particular. La palabra probabilidad es cotidianamente utilizada para
calificar eventos de cuya ocurrencia (y las caractersticas de esta ocurrencia) no
podemos estar seguros; es decir eventos con varios posibles resultados o cuyo
resultado es incierto. De manera general, podemos definir probabilidad como
una medida de la posibilidad de ocurrencia de un evento.

A.2 ESTADISTICA DESCRIPTIVA.

La Estadstica Descriptiva se ocupa fundamentalmente del estudio de la variacin
o dispersin, y para ello se apoya en herramientas matemticas conocidas como
Distribuciones de Probabilidad que permiten organizar, describir, representar
matemtica y grficamente la informacin sobre variables y cuantificar su
incertidumbre.

A.2.1 VARIABLES RANDOM, ALEATORIAS O DISTRIBUIDAS
Se denomina variable random, aleatoria o distribuida, a una variable X que por
sus caractersticas pueda tomar un conjunto de valores (x
1
, x
2
, x
3
, x
4
,... x
n-1
,) cada
uno de los cuales tiene una probabilidad de ocurrencia (p
1
, p
2
, p
3
, p
4
,... p
n-1
,), sin
que se pueda asegurar especficamente cual de todos estos probables valores
tomar la variable. Las variables aleatorias pueden ser continuas o discretas.
Fundamentalmente, se identifican las variables aleatorias discretas porque para

10
YAES, Medardo; GMEZ, Hernando; VALBUENA, Genebelin. Gerencia de la Incertidumbre.
2002

112

cuantificar su frecuencia hay que contar; mientras que para las variables
aleatorias continuas hay que medir.

A.2.2 DISTRIBUCIONES DE PROBABILIDAD.

Las Distribuciones de Probabilidad son modelos que describen la forma en que se
espera que varen los resultados o probables valores de una variable aleatoria.
Debido a que estas distribuciones tratan sobre expectativas de que algo suceda,
resultan ser modelos muy tiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre. Tradicionalmente se clasifica a las distribuciones de
probabilidad en dos grandes familias: Distribuciones No Paramtricas o Empricas
y Distribuciones Paramtricas.

Las distribuciones de probabilidad pueden presentarse bsicamente en tres
formas diferentes a saber: La funcin de densidad de probabilidad f(x), la funcin
de probabilidad acumulada F(x) y la funcin de probabilidad acumulada inversa
C(x).

DISTRIBUCIN DE DENSIDAD DE PROBABILIDAD f(x)
Una funcin matemtica f(x) es considerada una distribucin de densidad de
probabilidad de una variable aleatoria continua X si para cualquier intervalo de
nmeros reales [x
1
, x2] se cumple:

1. Ecuacin A.1

2. Ecuacin A.2

3. Ecuacin A.3



113

FIGURA 64. Funcin de Densidad de Probabilidad.

f(x)
X x
i
f(x
i
)
f(x)
f(x)
X x
i
f(x
i
)
f(x)

Fuente. Gerencia de la Incertidumbre.


DISTRIBUCION DE PROBABILIDAD ACUMULADA F(X)

FIGURA 65. Funcin de Densidad de Probabilidad.













Fuente. Gerencia de Incertidumbre.




114

FIGURA 66. Funcin de Densidad de Probabilidad.

Fuente. Gerencia de Incertidumbre.

Las funciones de densidad acumulada o distribuciones acumuladas directas F(x),
se distinguen por su comn forma de S y relacionan cualquier valor x
i
de la
variable aleatoria X, con la probabilidad de observar valores menores o iguales
ha dicho valor x
i
.



Es muy importante notar que:



F(x) se construye acumulando las probabilidades obtenidas con la funcin f(x)

Ecuacin A.4


Ecuacin A.5


DISTRIBUCIN DE PROBABILIDAD ACUMULADA INVERSA C(X)


115


FIGURA 67. Funcin de Probabilidad Acumulada Directa e Inversa.


















Fuente. Gerencia de Incertidumbre.

Las funciones de densidad acumulada inversa o distribuciones acumuladas
inversas C(x), se distinguen por su comn forma descendente y relacionan
cualquier valor x
i
de la variable aleatoria X, con la probabilidad de observar valores
mayores o iguales ha dicho valor x
i
.

Ecuacin A.6


Ecuacin A.7


Ecuacin A.8



A.2.2.1 PRINCIPALES CARACTERSTICAS DE UNA DISTRIDUCION DE
PROBABILIDAD

Una distribucin se caracteriza, en general, por medio de tres criterios:
X
x
i
F ( x
i
)
0
1
F ( x )
C ( x
i
)
C ( x )
X
x
i
0
1
C ( x
i
)
C ( x ) = 1 - F ( x )


116

a.- El valor central o medida de posicin (la media, la mediana o la moda).
b.- Una cantidad que expresa el grado de dispersin (la desviacin estndar).
c.- La forma de la curva, es decir la forma general de la distribucin probabilstica.

FIGURA 68. Caractersticas de una Distribucin de Probabilidad.















Fuente. Gerencia de Incertidumbre.

A.2.2.1.1 MEDIDAS DE POSICION O TENDENCIA CENTRAL (MEDIA, MODA Y
MEDIANA).


A.2.2.1.1.1 MEDIA, ESPERANZA MATEMATICA O VALOR ESPERADO

La media o valor esperado es una idea fundamental en el estudio de las
distribuciones de probabilidad que expresa bsicamente la tendencia central o
posicin de la distribucin. Como se muestra en la Figura 69, la media no es
necesariamente el valor de mayor probabilidad de ocurrencia (como suele
interpretarse de manera errnea); la media es el centro de gravedad de una
distribucin.



117

NOTACION:
: X (media muestral), cuando la media es estimada desde una muestra o grupo de
observaciones de una variable aleatoria.

: p X (media poblacional), cuando la media se estima con todos los valores de una
poblacin en la que se estudia una variable aleatoria.

: (Miu), cuando la media es estimada a partir de la ecuacin de la funcin de
densidad de probabilidades

E(X): (valor esperado de la variable aleatoria X), se usa como notacin alternativa
para la media, en cualquiera de las estimaciones anteriores

La media o valor esperado es la nica medida de tendencia central que se estima
igual (desde una muestra) para todas las distribuciones, por lo tanto es el nico
valor que puede ser llevado de una distribucin a otra.

ESTIMACION DE LA MEDIA DESDE LA DISTRIBUCION DE
PROBABILIDADES
Variables Continuas:

E(x)= Ecuacin A.9

Variables Discretas:

E(x)= Ecuacin A.10

p
i
: Probabilidad de ocurrencia de la clase

118



ESTIMACION DE LA MEDIA DESDE LOS DATOS DE LA VARIABLE
ALEATORIA
La forma ms corriente de estimar la media o valor esperado desde los datos o
valores observados de la variable aleatoria es la media aritmtica, la cual es la
resultante de la suma de todas las observaciones, dividida por el nmero total de
las mismas.




n: N de observaciones de la nuestra
N: N de elementos de la poblacin

En ocasiones, los datos de la variable aleatoria estn agrupados en clases que
tienen asociada una frecuencia (histogramas). Para estos datos agrupados la
media se calcula con las siguientes ecuaciones





f
i
: frecuencia de observaciones en la clase
i

x
ri
: valor medio de la clase
i


119


A.2.2.1.1.2 MODA.
La moda, es tambin una medida que indica la tendencia central de una
distribucin. Formalmente se define como el valor x
m
de la variable aleatoria X,
que tiene la mayor probabilidad de ocurrencia.

Como puede verse en la Figura A.5, la moda x
m
est ubicada debajo del punto
ms alto de la curva de probabilidades. Para calcular la moda a partir de la
ecuacin de la funcin de densidad de probabilidades se debe usar la siguiente
ecuacin:

Ecuacin A.15



Es decir, se debe hallar el mximo matemtico de la funcin f(x)

Cuando se analiza una muestra de datos, la moda es simplemente el valor que
ms se repite. Para el caso de datos agrupados, la moda x
m
es un valor que se
encuentra en la clase
i
que tiene mayor probabilidad p
i
.

A.2.2.1.1.3 MEDIANA.
Formalmente se define a la mediana como el valor x
50%
que tiene una
probabilidad acumulada de 50%; en otras palabras, la mediana es un valor de la
variable aleatoria tal que el 50% de los probables valores de X sern menores o
iguales a dicho valor y el otro 50% sern mayores.

En la Figura A.6 puede verse que la mediana (x
mediana
), tambin denotada como
x
50%
es el valor de X al que le corresponde una probabilidad acumulada de 0.5.


120

P(Xm
ediana
)=0.50=50%

Recurdese que los valores que se leen en el eje y de la curva F(x) (probabilidad
acumulada), corresponden a la integral de la curva f(x) (densidad de probabilidad)
(ver ecuacin A.4 seccin A.2.2). La Figura 67 tiene sombreada el rea bajo la
curva f(x), que corresponde al valor de probabilidad acumulada marcado en el
grfico de F(x)
Lo anterior se expresa matemticamente como sigue:




La mediana es definida en ocasiones como el percentil 50 o P
50
de la
distribucin. Los percentiles sern explicados en detalle ms adelante.

FIGURA 69. Moda de una Distribucin.
f(x)
X
f(x)
X
x
50%
0
1
F(x)
F(x)
0.5
x
50%
% 50 =

Fuente. Gerencia de Incertidumbre.

121


NOTA IMPORTANTE: Para distribuciones simtricas como la mostrada a la
izquierda de la Figura 68, la media, la moda y la mediana coinciden en un valor.
Para distribuciones asimtricas, como la mostrada a la derecha de la figura 69, la
media, la moda y la mediana recaen sobre diferentes valores de la variable
random.


FIGURA 70. Representacin de : media; x
m
: moda; x
50%
: mediana



Fuente. Gerencia de Incertidumbre.

A.2.2.1.2 MEDIDAS DE DISPERSIN.

La dispersin de una distribucin de probabilidad puede considerarse una
caracterstica muy importante de la misma, ya que en ella est retratada la
informacin sobre la incertidumbre de la variable random en estudio. En otras
palabras, la dispersin es un indicativo de la incertidumbre relacionada con la
variable; por ello, al cuantificar la dispersin se est cuantificando el nivel de
incertidumbre de la variable en anlisis.



122

A.2.2.1.2.1 VARIANZA Y DESVIACIN ESTNDAR.

La medida de dispersin ms til es la desviacin estndar ( ), la cual
corresponde a la raz cuadrada de la varianza Var(x).
Ecuacin A.16


FIGURA 71. Desviacin Estndar

Fuente. Gerencia de Incertidumbre.

En la Figura. A.8 se muestra que la amplitud o rango de una distribucin puede
ser cuantificado en trminos de la desviacin estndar.

Una desviacin estndar " " para cada lado de la media (es decir dos " " ) abarca
el 68% de los probables valores de una variable aleatoria.

El 90% de los probables valores de una variable aleatoria estarn dentro del rango
que tiene 1.645para cada lado de la media.

El 99.7% de los probables valores de una variable aleatoria estarn dentro del
rango que tiene 3para cada lado de la media.

123


ESTIMACION DE LA DESVIACION ESTANDAR ( ) DESDE LA DISTRIBUCION
DE PROBABILIDADES (f(x))


Variables Continuas:









ESTIMACION DE LA DESVIACION ESTANDAR DESDE LOS DATOS DE LA
VARIABLE ALEATORIA

La desviacin estndar, cuando es estimada desde una muestra recibe el nombre
de desviacin estndar de la muestra, y se denota como s.
La desviacin estndar de la muestra s debe considerarse como una estimacin
del valor verdadero de, la cual ser mejor a medida que aumente el nmero el
tamao de la muestra.

Desviacin Estndar de la Muestra:

Ecuacin A.19
n: N de observaciones de la nuestra


124

En ocasiones, los datos de la variable aleatoria estn agrupados en clases que
tienen asociada una frecuencia (histogramas). Para estos datos agrupados la
desviacin estndar se calcula con la siguiente ecuacin

Desviacin Estndar de la Muestra:

Ecuacin A.20

f
i
: frecuencia de observaciones en la clase
i

x
ri
: valor medio de la clase
i



A.2.2.1.2.2 COEFICIENTE DE VARIACION

El Coeficiente de Variacin, es otra medida de dispersin de uso comn, que se
define como el cociente donde el numerador es la desviacin estndar y el
denominador es la media. ste es una medida de dispersin de la distribucin
relativa a la media.

Ecuacin A.21


A.2.2.1.2.3 PERCENTILES

Se conoce como percentil de una distribucin de probabilidades, al valor de la
variable aleatoria denotado como

x o P

para el cual la probabilidad acumulada


es ; es decir, existe % de probabilidades de que los valores de la variable
aleatoria X sean menores o iguales a

x .

Ecuacin A.22


El percentil 50 (P
50
o x
50%
) es la conocida mediana de una distribucin.

125


FIGURA 72. Percentiles


Fuente. Gerencia de Incertidumbre.

A.2.2.1.2.4 INTERVALO DE CONFIANZA

Cuando se hacen estimaciones o pronsticos de variables aleatorias, esta
estimacin bsicamente consiste en primera instancia en determinar la distribucin
de probabilidades que representa a la variable de inters. En estos casos, la
estimacin no debe expresarse como un solo valor estimado, (para lo cual
normalmente se utiliza el valor ms probable o la media de la distribucin);
sino que tambin debe incluirse la precisin de esa estimacin.

Una forma conveniente de expresar la precisin consiste en especificar unos
lmites que, con una probabilidad dada, incluyan el valor verdadero de la variable.
Dichos lmites se denominan "lmites de confianza", es decir, son lmites que
abarcan un intervalo dentro del cual puede decirse que se encuentra el valor
verdadero con un cierto grado de confianza. Cuanto ms distantes estn los
lmites entre s, tanto mayor ser la probabilidad de que incluyan el valor

126

verdadero, pero ms amplio ser el rango de variacin. El intervalo comprendido
entre ambos lmites se denomina intervalo de confianza.

En la Figura A.10, los valores x
a
y x
b
representan los lmites de confianza; y la
probabilidad representan el grado de confianza o probabilidad de que el valor
verdadero de la variable X se encuentre en el intervalo entre x
a
y x
b
.
La probabilidad se denomina, tambin, coeficiente de confianza o nivel de
confianza. Al decidir cul es el nivel de confianza que se utilizar, se debe
comprender que el objetivo principal del intervalo de confianza es comunicar el
margen de error que puede tener nuestra estimacin. Este margen de error se
denota como y se muestra en la Figura A.10 representado por el rea rayada.
Un nivel de confianza del 95 % significa que se puede tener un error del 5 %.


Ecuacin A.23

FIGURA 73. Intervalos de Confianza


Fuente. Gerencia de Incertidumbre.


127

Existen tres formas tpicas para expresar una estimacin sobre una variable
random o aleatoria:

1. - La distribucin probabilstica completa: (Ejemplo)

FIGURA 74. Ejemplo de Estimacin












Fuente. Gerencia de Incertidumbre.

2.- Un rango de variacin de la variable con su grado de certeza:
Ejemplo: X vara entre x
a
y x
b
con (

.100) % de certeza

3.- Un estimado puntual (la media o la moda de la distribucin):
Ejemplo: X=



Las formas 1 y 2 ofrecen informacin ms fidedigna de la realidad


A.2.3 DISTRIBUCIONES PARMETRICAS
Las distribuciones paramtricas de probabilidad son funciones matemticas
tericas, que describen la forma en que se espera que varen los resultados de un
experimento, es decir, funciones matemticas que relacionan los diversos
probables valores que puede tomar una variable aleatoria, con la probabilidad de
ocurrencia de cada uno de ellos. Debido a que estas distribuciones tratan sobre
f(x)
X

x
b
x
a
f(x
b
)
f(x
a
)

2 / 2 /
2
t
t
) x ln(
2
1
t
e
2 x
1
) x ( f


=


128

expectativas de que algo suceda, resultan ser modelos tiles para hacer
inferencias y para tomar decisiones en condiciones de incertidumbre.

Existen muchas distribuciones paramtricas de probabilidad de amplio uso en todo
tipo de anlisis de confiabilidad y riesgo, tanto para variables discretas como para
variables continuas. A continuacin se analizarn las ms conocidas:

Distribuciones para Variables Aleatorias: Continuas:
Distribucin Normal, Distribucin Lognormal, Distribucin Exponencial, Distribucin
Weibull, Distribucin Beta, Distribucin Gamma, Distribucin Triangular,
Distribucin Uniforme, Distribucin de Valor Extremo.
Distribuciones para Variables Aleatorias Discretas:
Distribucin Binomial, Distribucin de Poisson, Distribucin Hipergonomtrica,
Distribucin Geomtrica.

A.2.3.1 DISTRIBUCIONES PARA VARIABLES ALEATORIAS CONTINUAS


Es una de las ms conocidas de las distribuciones, y se puede reconocer por su
forma de campana simtrica. Tambin es conocida como Campana de Gauss o
distribucin Gaussiana

Sus parmetros son: Media y Desviacin Estndar

Hay tres condiciones observables en las variables que siguen la distribucin
normal:
a.- El valor ms probable de la variable es el valor central, promedio, average o
media de la distribucin

129

b.- La variable podra, indistintamente, tomar un valor por debajo o por encima de
la media (Simetra alrededor de la media).
c.- Es ms probable que la variable tome un valor cerca de la media que lejos de
ella (De los valores de una distribucin normal, aproximadamente el 68 % estn
dentro del rango de una desviacin estndar alrededor de la media).

Variables aleatorias asociadas a fenmenos naturales (altura de los humanos,
coeficiente intelectual, peso, promedio de lluvias por temporada etc.) siguen la
distribucin normal.

Los errores de medicin, porcentaje de defectos por unidad producida tambin
siguen la distribucin normal

Las variables aleatorias que resultan de la suma de varias variables aleatorias
siguen la distribucin normal.

En la industria petrolera, variables que resultan de la suma de otras variables
tales como estimados de produccin por campo (suma de las producciones
individuales por pozo), sumas totales de costos e inversiones, siguen la
distribucin normal. Adicionalmente, es frecuente observar que variables como
porosidad, factor de volumen, tasas de declinacin y saturacin sean
relativamente simtricas respecto a la media y puedan modelarse con la
distribucin normal.

A.2.3.1.1 Distribucin Normal:

130



FIGURA 75. Distribucin Normal



















Fuente. Gerencia de Incertidumbre.

Distribucin de Densidad de Probabilidad: f(x)




Distribucin de Probabilidad Acumulada: F(x)




Esta integral no tiene solucin analtica; por lo tanto, para hallar valores de F(x), se
usa una solucin numrica o por tablas.




131

Para hallar ) Z ( debe utilizarse la Tabla A.1, conocida como tabla de la
distribucin normal estndar, entrando a dicha tabla con el valor calculado de Z.

Parmetros:










Percentiles:

FIGURA 76. Percentiles de la Distribucin Normal


















Fuente. Gerencia de Incertidumbre.


Se conoce como percentil de una distribucin de probabilidades, al valor de la
variable aleatoria denotado como

x o P

para el cual la probabilidad acumulada


es

132


De la definicin anterior y de la ecuacin A.26 sabemos que:










Entre estos percentiles se define el intervalo del 90% de confianza. Otros
percentiles de mucho uso se observan en la Figura A.13.

A.2.3.1.2 Distribucin Lognormal:

FIGURA 77. Distribucin Lognormal











Fuente. Gerencia de Incertidumbre.

La distribucin Lognormal es ampliamente usada para variables que muestran
valores que tienen un alto sesgo o tendencia; muchos de los valores ocurren
cerca del valor mnimo
f ( x )
X
x
5 0 %
x
m

2
t
t
) x l n (
2
1
t
e
2 x
1
) x ( f


=

133


Los parmetros de la distribucin Lognormal son: La media logartmica
t
y la
desviacin estndar logartmica
t


Hay cuatro caractersticas de las variables que siguen la distribucin Lognormal:
a.- La variable puede crecer sin lmite, pero no puede tomar valores negativos
b.- La variable muestra un alto sesgo o tendencia hacia los valores mnimos.
c.- La variable puede ser muy dispersa, y sus probables valores pueden variar
hasta en rdenes de magnitud
d.- El logaritmo natural de los valores dar como representacin grfica una curva
normal.
Muchas variables fsicas y procesos de deterioro pueden ser representados con la
distribucin Lognormal.
Las variables aleatorias que resultan de la multiplicacin o producto de varias
variables aleatorias siguen la distribucin Lognormal. Por ejemplo, en la industria
petrolera la variable Petrleo Original en Sitio (POES) sigue la distribucin
Lognormal, ya que la misma es el producto de otras variables aleatorias como
puede verse en la siguiente ecuacin:




Donde A=rea, h= Arena Neta Petrolfera, = Porosidad, Sw: Saturacin de Agua,
B
0
= Factor Volumtrico.
Otras variables que se manejan en la industria petrolera como: rea de Drenaje,
Arena Neta Petrolfera, Reservas, Recobro, Costos de Produccin, Valor Presente
Neto de un plan de Desarrollo, tienden a ser modelables con la distribucin
Lognormal.

134


Distribucin de Densidad de Probabilidad: f(x)

2
) ln(
2
1
2
1
) (

=
t
t
x
t
e
x
x f



Ecuacin A.29


Distribucin de Probabilidad Acumulada: F(x)

=
0
) ln(
2
1
2
1
2
1
) ( dx e
x
x F
t
t
x
t



Ecuacin A.30

Esta integral no tiene solucin analtica; por lo tanto, para hallar valores de F(x), se
usa una solucin numrica o por tablas.
( ) Z x F = ) ( , donde


=
t
t
x
Z

) ln(
Ecuacin A.31

Para hallar ) (Z debe utilizarse la Tabla A.1, conocida como tabla de la
distribucin normal estndar, entrando a dicha tabla con el valor calculado de Z.

Parmetros:

Media Logartmica:

=
=
n
i
i t
x
n
1
) ln(
1
Ecuacin A.32
Desviacin Estndar Logartmica:
( )

=

=
n
i
t i t
X
n
1
2
) ln(
1

Ec. A.33

La media y la desviacin estndar de la Distribucin Lognormal se calculan en
funcin de logaritmos; pero en ocasiones es necesario transformar estos
parmetros en trminos de nmeros naturales, y para ello se usan las siguientes
ecuaciones de transformacin:

Media:
)
2
(
2
t
t
e

+
= Ecuacin A.34

135


Desviacin Estndar:

). 1 (
2
=
t
e Ecuacin A.35

Percentiles:

Se conoce como percentil de una distribucin de probabilidades, al valor de
la variable aleatoria denotado como

x o P

para el cual la probabilidad


acumulada es

De esta definicin y de la ecuacin A.31 sabemos que:

Si
( )


Z
x
Z
t
t
=


=
ln
) (

Despejando

x

) . (
t t
Z
e x


+
=
Ecuacin A.36
) . (
1
t t
Z
e x

=
Ecuacin A.37

Otras Relaciones Importantes:
Mediana: ) ln(
% 50 5 . 0
= = x x Ecuacin A.38



= =
1 % 50 5 . 0
.x x x x Ecuacin A.39

Moda:
2
t
t
e
e
x
m

= Ecuacin A.40

136

Tabla 26 Distribucin Normal Estandarizada

Fuente. Gerencia de Incertidumbre.

A.2.3.1.3 Distribucin Exponencial:

FIGURA 78. Distribucin Exponencial












Fuente. Gerencia de Incertidumbre.



f(x)
X

x .
e ) x ( f

=

137

La Distribucin Exponencial es ampliamente usada en anlisis de confiabilidad,
como distribucin de la variable aleatoria tiempo para la falla de equipos o
sistemas. Genricamente describe la cantidad de tiempo que transcurre en un
evento, tal como el tiempo para la falla de equipos electrnicos o el tiempo de
llegada de clientes a un Kiosco.

El parmetro de la distribucin exponencial es:
Tasa ( ):
n Observacio de Periodo
Observados Eventos N
_ _
_ _
=


Hay una caracterstica fundamental de las variables que siguen la distribucin
Exponencial:

El nmero de ocurrencia de eventos por unidad de tiempo es aproximadamente
constante .

Distribucin de Densidad de Probabilidad: f(x)


x
e x f
.
) (


=
Ecuacin A.41

Distribucin de Probabilidad Acumulada: F(x)


x
e x F
.
1 ) (

= Ecuacin A.42

Otras Relaciones Importantes:

Media:

1
=
media
x Ecuacin A.43
Moda: =
m
x Ecuacin A.44


138


FIGURA 79. Distribucin Weibull:

f(x)
X

=
x 1
e
x
) x ( f

Fuente. Gerencia de Incertidumbre.

La Distribucin de Weibull es ampliamente usada en el estudio del tiempo de vida
o tiempo para la falla de componentes mecnicos.

Los parmetros de la Distribucin Weibull son:
Forma ( ) y Escala ( )

Hay una caracterstica fundamental de las variables que siguen la distribucin
Weibull

El nmero de ocurrencia de eventos por unidad de tiempo no permanece
necesariamente constante; es decir, esta tasa de ocurrencia de eventos puede
crecer o decrecer con el tiempo .

FIGURA 80. Distribucin Weibull variando beta:










f(x)
X
1 = 2 = 4 =


139


Fuente. Gerencia de Incertidumbre.

La Distribucin Weibull es esencialmente una familia de distribuciones que puede
asumir las propiedades de otras distribuciones. Por ejemplo, dependiendo de los
valores de los parmetros que se definan, puede ser usada como una
aproximacin a la Exponencial y a la Normal, as como algunas otras.

Si 1 = entonces la Weibull se aproxima a la distribucin Exponencial

Si 4 = entonces la Distribucin de Weibull se aproxima a la Normal


Distribucin de Densidad de Probabilidad: f(x)

=
x
e
x
x f
1
) (
Ecuacin A.45
Distribucin de Probabilidad Acumulada: F(x)

=
x
e x F 1 ) (
Ecuacin A.46

Parmetros:
Escala:

/ 1
1

=

=
n
x
n
i
i
Ecuacin A.47

Forma
( ) [ ]
( )

=
=
=
=
n
i
i n
i
i
n
i
i i
x
n
x
x x
1
1
1
ln
1 1
ln

Ecuacin A.48


140

Moda:

1
1


=
m
x
Ecuacin A.49

Media:

+
=

1
media
x
Ecuacin A.50

A.2.3.1.5 Distribucin Beta:

FIGURA 81. Distribucin Beta:



y >0 0<x<1

Fuente. Gerencia de Incertidumbre.

FIGURA 82. Distribucin Beta:


Fuente. Gerencia de Incertidumbre.


141


Es una distribucin muy flexible para modelar probabilidades basadas en
estadsticas Bayesianas. Por excelencia es la distribucin previa (prior
distribucin) utilizada como conjugada de la distribucin Binomial en el proceso de
inferencia Bayesiana. Es tambin usada para describir datos empricos y
predicciones de comportamientos aleatorios de porcentajes y/o fracciones.

Como su rango de variacin va desde cero a uno, tradicionalmente se utiliza para
modelar la incertidumbre asociada a la probabilidad de ocurrencia de un evento
en particular.
Los parmetros que caracterizan a esta distribucin son: Alpha () y Beta ().

Las dos condiciones que resaltan esta distribucin son:
a.- La variable desconocida es un valor aleatorio entre 0 y 1.
b.- La forma de la distribucin puede ser especificada mediante dos valores
positivos.

Notacin: Variable aleatoria X = Beta (,).

La flexibilidad de la distribucin Beta queda evidenciada en la Figura A.18, en la
cual pueden apreciarse las diversas formas que puede tomar dependiendo de los
valores relativos de los parmetros Alpha () y Beta ().

Curva 1: La distribucin se sesgara sobre la izquierda si >
Curva 2: La distribucin ser simtrica si =
Curva 3: La distribucin se sesgara sobre la derecha si <
Curva 4: La distribucin tendr forma de U si < 1 y < 1
Curva 5: La distribucin tendr forma de J si <1


142


Distribucin de Densidad de Probabilidad: f(x)
1 1
) 1 .(
) ( ). (
) (
) (


+
=



x x x f Ecuacin A.51
Parmetros:

Alpha: Ecuacin A.52

Beta: Ecuacin A.53

Otras Relaciones Importantes:

Moda:
2
1
+

=


m
x Ecuacin A.54

Media:

+
=
media
x
Ecuacin A.55

La distribucin Beta estndar puede ser re-escalada con la incorporacin de dos
parmetros adicionales de forma que su rango se extienda de un valor mnimo
x
min
distinto de cero a un valor mximo x
max
distinto de 1.

El re-escalamiento de la distribucin Beta Estndar da origen a una variante
denominada distribucin Beta Pert. Esta distribucin permite la inclusin de un
tercer valor denominado valor ms probable, el cual es tomado por la distribucin
como el valor de la moda de la misma.

La estimacin de un experto, sobre los probables valores de una variable, puede
expresarse con base en tres valores, valor mnimo, valor ms probable y valor
mximo, por lo que la utilizacin de esta distribucin cobra mucho valor en este
tipo de aplicaciones. Dichos valores son utilizados por la distribucin PERT son
como parmetros:

Mnimo valor posible x
min
; Valor ms probable x
mprob
; Mximo valor posible x
max


143


Notacin:

Variable aleatoria X = PERT (x
min,
x
mprob,
x
max
) = [Beta (,)] * (x
max
- x
min
) + x
min

1
min max
min
1
min max
min
1 .
) ( ). (
) (
) (


+
=



X X
X X
X X
X X
X f

Ec. A.56


Donde: = ( - x
min
)*(2*x
mprob
- x
min
-x
max
) / [(x
mprob
-)*(x
max
- x
min
)] Ec. A.57

= * (x
max
-) / (

- x
min
) Ec. A.58
= (x
min
+ 4 * x
mprob
+ x
max
) / 6 Ec. A.59

= (x
max
- x
min
) / 6 Ec. A.60

A.2.3.1.6 Distribucin Gamma:


FIGURA 83. Distribucin Gamma:










Fuente. Gerencia de Incertidumbre.


Al igual que la distribucin Beta, Gamma es una distribucin muy flexible para
modelar probabilidades basadas en estadsticas Bayesianas. Aplica a un amplio
rango de variables fsicas y es similar a una gran cantidad de otras distribuciones:
Lognormal, Exponencial, Geomtrica y Poisson entre otras.
f ( x )
X


=
x
1
e . x
) (
1
) x ( f

144


Puede ser considerada como la distribucin del tiempo que transcurre hasta la
ocurrencia de un nmero particular de eventos.
Tiene gran aplicacin en los anlisis de confiabilidad. Es usada en procesos
meteorolgicos para representar la concentracin de polucin y cantidad de
precipitacin. Tiene otras aplicaciones en teora econmica, teora de inventario y
teora de riesgo en seguros.

Los parmetros de esta distribucin son: Escala () y Forma ( ).

Algunas caractersticas de la distribucin gamma son:

1.- Cuando la forma = 1, Gamma puede ser escalable a la distribucin
exponencial.
2.- Cuando la forma es un entero, el resultado de la distribucin puede tambin
ser referido como una distribucin Erlang.
3.- Cuando la forma es un nmero tal que al multiplicarlo por dos da un nmero
entero, la distribucin resultante puede ser referida, tambin, como una
distribucin Chi-cuadrado con dos veces la forma de grados de libertad.
4.- La suma de cualesquiera dos variables diferentes (Con distribuciones Gamma)
es otra variable con distribucin Gamma.
5.- El producto de cualesquiera dos variables con distribucin normal es una
variable Gamma.

Distribucin de Densidad de Probabilidad: f(x)


x
e x x f

= .
) (
1
) (
1
Ecuacin A.61

Relaciones Importantes:

145

Media: .
1
=

=

=
n
X
n
i
i
X
Ecuacin A.62

Desviacin Estndar
( )
2 1
2
2
.
1

=

=
n
X
n
i
X i

Ecuacin A.63
Parmetros:
Alpha (Parmetro de Escala)
( )
( )


=
=

=
n
i
X i
n
i
i
X n
X n
1
2 2
2
1
1

ecuacin A.64
Beta (Parmetro de Forma)
( )

=
=

=
n
i
i
n
i
X i
X n
X n
1
1
2
) 1 (
.
ecuacin A.65

A.2.3.1.7 Distribucin Triangular:

La distribucin triangular ha sido ampliamente usada para modelar variables a
partir de la opinin de expertos. Las variables caracterizadas con este tipo de
distribucin son aquellas para las cuales es ms probable observar valores cerca
de su moda que cerca de los extremos.

En el rea petrolera, parmetros asociados a los yacimientos tales como ANP,
Factor de Recobro, Porosidades y Saturaciones, as como precios y productividad
han sido modelados usando distribuciones triangulares construidas a partir de
estimaciones hechas por expertos.

La estimacin de un experto, sobre los probables valores de una variable, puede
expresarse con base en tres valores: valor mnimo, valor ms probable y valor
mximo, que en la distribucin triangular son utilizados como parmetros:

146


FIGURA 84. Distribucin Triangular:



















Fuente. Gerencia de Incertidumbre.

La distribucin triangular simtrica (como la mostrada en la Figura A.20 es
frecuentemente usada para modelar variables de comportamiento Normal a
EXPERTO
f(x)
X
x
min
x
mprob.
x
max
Mnimo valor posible de la variable =x
min

Valor ms probable de la variable = x
mprob

Mximo valor posible de la variable =x
max


147

partir de la opinin de expertos. y la distribucin triangular sesgada a la izquierda
(como la mostrada en la Figura A.21) para modelar variables de comportamiento
Lognormal a partir de la opinin de expertos. Debe tenerse especial cuidado
cuando se representen variables de comportamiento Lognormal, con una
distribucin triangular sesgada a la izquierda, ya que hacia la cola de la derecha,
la distribucin triangular asigna mucho ms probabilidad que la distribucin
lognormal, pudiendo esta diferencia inducir errores en los clculos y pronsticos)

Para cualquier valor de X menor que la moda, la probabilidad acumulada se
calcula con la siguiente ecuacin

( )
) ).( (
) ( ) (
min min max
2
min
x x x x
x x
x F x X P
mprob


= =
Ec. A.66
Para cualquier valor de X mayor que la moda, la probabilidad acumulada se
calcula con la siguiente ecuacin:
( )
) ).( (
1 ) ( ) (
max min max
2
max
mprob
x x x x
x x
x F x X P


= =

Ec. A.67
Adicionalmente:
3
max min
x x x
x
mprob
media
+ +
= Ec. A.68
A.2.3.1.8 Distribucin Uniforme:

FIGURA 85. Distribucin Uniforme:









f(x)
X
x
min
x
max
a b

148

Fuente. Gerencia de Incertidumbre.

En esta distribucin, todos los valores entre un mnimo y un mximo tienen la
misma probabilidad de ocurrencia.

Sus parmetros son:
Mnimo = x
min
Mximo = x
max

Las variables que siguen la distribucin uniforme tienen las siguientes
caractersticas:
a.- El valor Mnimo es fijo.
b.- El valor Mximo es fijo.
c.- Todos los valores entre el mnimo y el mximo tienen la misma probabilidad de
ocurrencia.

min max
1
) (
x x
x f

= Ecuacin A.69

min max
min
) ( ) (
x x
x a
a F a x P

= = Ecuacin A.70

min max
) (
x x
a b
b x a P

= Ecuacin A.71


A.2.5.2 DISTRIBUCIONES PARA VARIABLES ALEATORIAS DISCRETAS

A.2.5.2.1 Distribucin Binomial:


149


FIGURA 86. Distribucin Binomial:

Fuente. Gerencia de Incertidumbre.


La Distribucin Binomial permite estimar el nmero de xitos que se alcanzaran
en un nmero especfico de intentos, dada una probabilidad de xito por intento
determinada (constante).

Los parmetros de la distribucin son:
Probabilidad (p) y nmero de ensayos o pruebas (n).

Las variables que pueden representarse con la distribucin Binomial, tienen tres
caractersticas bsicas:

a.- Por cada intento, hay slo dos posibles resultados: xito o falla. (Para una
moneda: el lanzamiento resulta: Cara o no. Para las piezas o partes: Es
defectuosa o no)
b.- Los ensayos son independientes. Los resultados de un primer ensayo no
afectan los de ensayos posteriores.
c.- La probabilidad de ocurrencia permanece constante en cualquier ensayo.


150

La Figura A.23 muestra el efecto del parmetro probabilidad de xito en el
nmero de xitos en 50 intentos

Distribucin de Densidad de Probabilidad: f(x)

k n k
p p
k n k
n
k f k x P

= = = ) 1 (
)! !.(
!
) ( ) ( Ecuacin A.72
Distribucin de Probabilidad Acumulada: F(x)

= =
k
i
i n i
p p
k n k
n
k F k x P
0
) 1 (
)! !.(
!
) ( ) ( Ecuacin A.73
Parmetros:




Probabilidad xito p= (N xitos) / (N Total Observaciones) Ecuacin A.74

Nmero de intentos (n) Ecuacin A.75


Otras Relaciones Importantes:

Media: p n x
media
. = Ecuacin .76

Desviacin Estndar ) 1 ( p np = Ecuacin .77



A.2.3.2.2 Distribucin de Poisson:

La distribucin de Poisson es una distribucin que describe el nmero de veces
que un evento ocurre en un intervalo dado (como el nmero de llamadas
telefnicas por minuto o el nmero de errores por pgina en un documento o el
nmero de defectos por metro de tubera). El parmetro que caracteriza esta
distribucin es: Tasa de ocurrencia.

Hay tres condiciones que resaltan esta distribucin:

151


a.- El nmero de posibles ocurrencias por unidad de medida (ejemplo: tiempo y
longitud) no est limitado a un nmero fijo.
b.- Las ocurrencias son independientes. El nmero de ocurrencia por unidad de
medida no afecta el nmero de ocurrencias en otras unidades de medida.
c.- El promedio de ocurrencias debe ser constante.


FIGURA 87. Distribucin de Poisson:
.000
.031
.063
.094
.125
0.00 6.00 12.00 18.00 24.00
POISSON

Fuente. Gerencia de Incertidumbre.



A.2.5.2.3 Distribucin Geomtrica:

Esta distribucin describe el nmero de ensayos hasta que ocurre o se obtiene el
primer xito, tal como el nmero de veces que se perfora (Para obtener petrleo)
hasta que se obtiene un pozo exitoso (Fase exploratoria, principalmente).
El parmetro indicador es: Probabilidad.
Tres condiciones subrayan esta distribucin:
a.- El nmero de ensayos no es fijo.b.- Los ensayos continan hasta el primer
suceso.
c.- La probabilidad del suceso es la misma de ensayo a ensayo.

152


FIGURA 88. Distribucin Geometra:







Fuente. Gerencia de Incertidumbre.

.050
.100
.150
.200
GEOMETRICA

153


ANEXO B
11

CARACTERIZACION PROBABILISTICA
B.1 CARACTERIZACION PROBABILISTICA DE VARIABLES RANDOM.

Como el lector ha podido evidenciar, una de las tareas ms crticas para el
analista de riesgo, es seleccionar la funcin de densidad de probabilidades que
ms se ajusta a la naturaleza y dinmica de la variable a modelar. Existen
diversas distribuciones de probabilidad para representar la heterogeneidad e
incertidumbre de variables continuas, otras para representar la heterogeneidad e
incertidumbre de variables discretas, otras que ya poseen una expresin
matemtica predefinida cuyos parmetros son estimados en funcin de la data
disponible y otras que no la poseen.

En la Figura No. 1.11 se mostr un diagrama de diferentes esquemas de
clasificacin de distribuciones de probabilidad. Como se indic, sta figura puede
ser utilizada como mecanismo preliminar para preseleccionar la familia o conjunto
de distribuciones que potencialmente podran utilizarse para representar la
variable de inters.

En funcin de la naturaleza de la variable de inters y de la disponibilidad de data,
existen dos fuentes bsicas de informacin para describir las variables:

Datos provenientes de observaciones directas y/o medicin de campo.
Datos provenientes del conocimiento emprico del proceso.

En el primer caso, datos provienen de observaciones directas hechas en campo,
mediciones de variables fsicas de los procesos o notificacin manual o

11
Ibid .2002

154

automtica de ocurrencia de eventos. Estos datos son perfectamente
caracterizados desde el punto de vista probabilstico. La cuantificacin de la
frecuencia de aparicin de los datos en la muestra permite obtener una
distribucin de probabilidad y hacer una evaluacin probabilstica objetiva debido
a que se parte de la abundancia de la evidencia de la muestra. En la figura B.1
puede observarse grficamente este proceso.

FIGURA 89. Caracterizacin Probabilstica con Observaciones Directas y/o Mediciones de
Campo









Fuente. Gerencia de Incertidumbre.


En el segundo caso, la obtencin de los datos se hace en forma indirecta, y es
caracterstica de aquellas reas o procesos en los que no se puede obtener la
informacin suficiente sobre la variable de inters para hacer anlisis estadsticos
convencionales. La limitacin para la recoleccin directa de los datos puede ser
de tipo fsico, es decir, que existe mucha dificultad para medir la variable; tambin
puede ser que no se tenga historia o que la misma sea limitada.

En estos casos se recurre a la utilizacin de la opinin de expertos, lo que permite
combinar el conocimiento de las personas sobre el rea o proceso en anlisis con
la poca evidencia o datos disponibles. Esta combinacin agrega el componente
subjetivo a los anlisis. Afortunadamente existen un sin nmero de instrumentos
que permiten minimizar la subjetividad de la informacin por parte del experto. La
Figura B.2 permite observar un esquema del proceso descrito.
Distribucin de
Frecuencias
Probabilidad Objetiva basada
en la abundante evidencia de la
muestra
Principal Fuentede
Informacin:
Datos de la Muestra

155



FIGURA 90. Caracterizacin Probabilstica Conocimiento Emprico del Proceso

Distribucin de
Frecuencias
Probabilidad Subjetiva basada
en la poca evidencia de la
muestra y en la experiencia del
estimador
Principal Fuentede
Informacin:
Opinion del Experto

Fuente. Gerencia de Incertidumbre.

Ntese que la evidencia disponible combinada con la opinin del experto permite
desarrollar un anlisis en el que pueden aparecer como resultado valores de los
que no se tiene evidencia previa, sino que son aportados por el experto producto
de su experiencia.

En la tarea de seleccionar la distribucin de probabilidad que ms se adapte a
una muestra de datos, siempre surge la gran pregunta: Cul es la distribucin
probabilstica que con mayor precisin pudiera representar los datos? Esta
pregunta da inicio al proceso de caracterizacin probabilstica de la variable, el
cual se discutir a continuacin.

B.1.1 Caracterizacin probabilstica de variables con informacin de campo.
Paso 1: Plantear las hiptesis de las distribuciones paramtricas que podran
hacer un buen ajuste con los datos.

La seleccin de las diferentes distribuciones de probabilidad que pudieran
representar la variable de inters es lo que se denomina la proposicin de
distribuciones hiptesis o hipotticas. La Figura No 1.11 es una excelente ayuda
para proponer distribuciones hiptesis.


156

En lneas generales, las distribuciones probabilsticas fueron concebidas
originalmente para aplicaciones especficas. Por ejemplo, en caso de las variables
continuas, la distribucin normal es una de las distribuciones ms importantes, ya
que una gran cantidad de variables aleatorias (particularmente en el campo
social) tiene un comportamiento normal, es decir, simtrico con respecto al punto
central de la distribucin.

Si la variable analizada depende de la tasa de ocurrencia de eventos en el
tiempo, la distribucin exponencial es de uso muy comn en aquellos casos
donde los eventos ocurren de una manera completamente aleatoria, y la tasa de
ocurrencia en el tiempo tiende a ser constante. Igualmente, para procesos en los
que la tasa de ocurrencia de eventos no tiende a ser constante, o presentan otro
tipo de comportamiento, existen distribuciones como la Weibull, la Lognormal e
inclusive la distribucin normal. La distribucin Lognormal es de mucha utilidad en
los casos en los que la variable aleatoria puede tomar valores que difieren los
unos de los otros en rdenes de magnitud.

En el caso de anlisis de inventarios, la distribucin de Poisson es de uso comn
para determinar el nmero de partes ptimos cuando el tiempo para la falla sigue
una distribucin exponencial.

En el caso de variables discretas, existen distribuciones con aplicaciones
especficas. Por ejemplo, si se trata de analizar el nmero de xitos que ocurren
en un nmero de eventos, la distribucin Binomial es la que mejor permite
analizar el proceso. Para ello, se debe tener en cuenta que la variable debe ser
discreta y que todos los valores deben tener la misma probabilidad de ocurrencia
(Ej. El lanzamiento de los dados). Adicionalmente, los resultados de muchos
sistemas fsicos pueden ser modelados con la distribucin uniforme.


157

Paso 2: Calcular los parmetros de cada una de las distribuciones hiptesis con
los datos de la muestra.

Una vez seleccionadas las distribuciones hiptesis tericas que pudieran
representar un conjunto de datos se procede a la estimacin de los parmetros de
cada una de ellas. Estos parmetros normalmente se obtienen con el mtodo de
mxima verosimilitud
[10]

Paso 3: Realizar alguna de las pruebas de bondad de ajuste.

En principio deben graficarse cada una de las curvas de las distribuciones
hiptesis tericas obtenidas con los parmetros estimados en el paso anterior, y
el histograma de los datos de las muestras de cada una de las variables.

Posteriormente debe calcularse para cada distribucin hiptesis el valor llamado
valor de la prueba y compararlo con el valor valor crtico.

Si el valor de la prueba es menor que el valor crtico entonces la distribucin
hiptesis se considera un adecuado ajuste y en consecuencia la hiptesis no es
rechazada. Si por el contrario, el valor de la prueba es mayor que el valor
crtico, la hiptesis es rechazada.

Paso 4: Seleccionar entre las distribuciones hiptesis no rechazadas, aquella que
tenga el valor de la prueba ms bajo.

B.1.2 Clculo de parmetros de las distribuciones de probabilidad a partir de
los datos de la muestra.

Una vez seleccionadas las distribuciones hiptesis tericas que pudieran
representar un conjunto de datos se procede a la estimacin de los parmetros de

158

cada una de ellas utilizando los datos de la variable de inters disponibles o las
opiniones de los expertos si fuese el caso.

En la caracterizacin de la variable de inters es muy til la estadstica
descriptiva. De los datos recolectados se pueden obtener algunos parmetros que
son muy tiles para inferir que distribuciones probabilsticas que pudieran
ajustarse a los mismos. Si los datos se ajustan a una distribucin normal o a una
distribucin Weibull con un parmetro de forma cercano a 4, entonces la media y
la mediana deben tener valores muy parecidos. Por el contrario, si los datos se
ajustan a distribuciones como la Lognormal, Exponencial o Weibull con parmetro
de forma cercano a 1, entonces los valores de la media y la mediana deben
presentar una diferencia considerable. Por ltimo se pudiera agregar que si los
datos se ajustan a una distribucin Exponencial, entonces la media y la
desviacin estndar suelen tener valores con muy poca diferencia entre s.

Para el clculo de los parmetros de las distribuciones hiptesis se utilizan las
ecuaciones de la Tabla B.1.

Tabla 27 Clculo de Parmetros

Fuente. Gerencia de Incertidumbre.


159

B.1.3 Pruebas de Bondad de Ajuste.
Una vez que se han definido las distribuciones hiptesis tericas que pudieran
representar a la variable aleatoria de inters, el siguiente paso consiste en
determinar cul de esas posibles distribuciones es la ms representativa del
conjunto de datos. Para ello se utilizan las llamadas pruebas de bondad de ajuste.
De manera sencilla puede decirse que la prueba de bondad de ajuste es una
comparacin entre la distribucin paramtrica seleccionada y el histograma de
frecuencia que se puede construir con los datos.
Bondad de ajuste puede definirse como la probabilidad de reproducir el conjunto
de datos a partir de una distribucin hiptesis seleccionada; en otras palabras, la
estadstica definida a partir de la bondad de ajuste permite establecer que tan
probable es que una funcin de distribucin de probabilidad seleccionada genere
el conjunto de datos del que se dispone. La estadstica basada en bondad de
ajuste es usualmente utilizada con sentido relativo mediante la comparacin de los
valores de bondad de ajuste de otras funciones de distribucin de probabilidad
para seleccionar la que mejor representa los datos.
Existen diferentes pruebas de bondad de ajuste dentro de las cuales se pueden
mencionar la prueba de Chi - Cuadrado, la de Kolmogorov - Smirnov y la de
Anderson Darling. La prueba de Chi Cuadrado es una de las ms comunes,
pero las otras, bajo ciertas condiciones, pueden proveer informacin ms
detallada y realista del ajuste.

Estas pruebas consideran las siguientes etapas:
Etapa 1: Graficar cada una de las curvas de las distribuciones hiptesis tericas
obtenida con los parmetros estimados en el paso anterior, con el histograma de
los datos de la muestra.
Etapa 2: Calcular para cada distribucin hiptesis el valor llamado valor del test y
compararlo contra el valor llamado valor critico.

160

Etapa 3: Si el valor del test es menor que el valor crtico entonces la distribucin
hipottica se considera un buen ajuste y la hiptesis no es rechazada. Si por el
contrario, el valor del test es mayor que el valor crtico, la hiptesis se rechaza.

B.1.3.1 Prueba de Chi Cuadrado (X
2
).
B.1.3.1.1 Calculo del Valor o Estadstica del Test X
2

La prueba de Chi Cuadrado es una de las pruebas de bondad de ajuste ms
comnmente utilizada.
El valor del test de Chi Cuadrado viene dada por la aplicacin de la siguiente
ecuacin:


Donde:
m = Nmero de clase
frec
i
= Valor de la frecuencia o prob. observada para una clase del histograma
p
i
= Probabilidad terica de observar X
i
calculada con la distribucin de densidad
de prob. hipottica f(x). (Ver Figura B.3)

FIGURA 91. Distribucin de los Datos Vs Distribucin Hipottica o Terica

2
X
2
1
e
2
1
) x ( f


=
X
f(X)
X


HISTOGRAMA DE FRECUENCIAS DISTRIBUCION PARAMETRICA
FUNCION
MATEMATICA
DE
PROBABILIDAD
F
R
E
C
U
E
N
C
I
A
S
x
i
frec
i
p
i
x
i
Frecuencia (frec
i
)
=funcin de densidad de
probabilidad hipottica

2
X
2
1
e
2
1
) x ( f


=
X
f(X)
X


HISTOGRAMA DE FRECUENCIAS DISTRIBUCION PARAMETRICA
FUNCION
MATEMATICA
DE
PROBABILIDAD
F
R
E
C
U
E
N
C
I
A
S
x
i
frec
i
p
i
x
i
Frecuencia (frec
i
)
=funcin de densidad de
probabilidad hipottica

Fuente. Gerencia de Incertidumbre.

=
m
i i
i i
p
p frec
X
1
2
2
) (

161


B.1.3.1.2 Clculo del Valor Crtico para la prueba de Chi Cuadrado
En el clculo del valor crtico para la prueba de Chi Cuadrado se busca
conseguir el valor correspondiente al percentil 1 - de una distribucin Chi
Cuadrado con N 1 grado de libertad (N es el nmero de intervalos o clases).
Estas soluciones estn tabuladas en la Tabla B.2 que se muestra a continuacin,
a la cual se entra con los grados de libertad (df en la tabla) y el nivel de
confidencia o percentil de confianza (Per Cent en la Tabla).

Tabla 28 Valores Crticos Test de X
2


Fuente. Gerencia de Incertidumbre.

Una vez que se hace el anlisis estadstico de Chi Cuadrado se compara el
valor obtenido con el valor crtico. Si dicho valor es mayor que el valor crtico la
hiptesis debe ser rechazada, es decir, la distribucin no hace buen ajuste.

162

Cuando se trabaja con distribuciones continuas esta prueba puede no ser la ms
adecuada, pero es ampliamente conseguida en los software comerciales. Su
debilidad estriba en que no hay un procedimiento claro para seleccionar el nmero
de intervalos. En algunos casos se pudiera llegar a diferentes conclusiones a partir
del mismo conjunto de datos dependiendo de los intervalos o nmero de clases.
Esta prueba arroja sus mejores resultados cuando las muestras son grandes.

B.1.3.2 Prueba de Kolmogorov Smirnov.
A diferencia de la prueba ChiCuadrado, la de KolmogorovSmirnov no agrupa los
datos en intervalos o clases. En su lugar, para la prueba se utiliza la funcin de
probabilidad acumulada hipottica seleccionada, la cual es comparada con la
funcin de probabilidad acumulada emprica proveniente de los datos, como se
muestra en la figura 92

FIGURA 92. Distribucin de los Datos Vs Distribucin Hipottica o Terica

0.0
0.2
0.4
0.6
0.8
1.0
1.2
0.0 1000.0 2000.0 3000.0 4000.0 5000.0 6000.0 7000.0
t iempo (hrs)
P
r
o
b
a
b
i
l
i
d
a
d

d
e

F
a
l
l
a
s
F(t) Weibul l F(t) Empiri ca F(ti )=i/ n

Fuente. Gerencia de Incertidumbre.

El hecho de que dicha prueba no dependa del nmero de intervalos la hace ms
poderosa que la prueba de ChiCuadrado. Sin embargo, es importante sealar

163

que la prueba de KolmogorovSmirnov no detecta consistentemente las
discrepancias que se pudieran presentar a nivel de las colas de la distribucin.

B.1.3.2.1 Clculo del Valor o Estadstica del Test de Kolmogorov - Smirnov
La estadstica para la prueba de KolmogorovSmirnov de uso ms comn es la
presentada por Law y Kelton (1982):


Donde
n = nmero total de datos; i=1, 2,3n
F (X
i
): Distribucin acumulada hipottica para el valor X
i


: Distribucin emprica
Nx
i
= Nmero de datos menores que X
i
.

En este punto es importante recordar que para realizar estos clculos, los datos de
la muestra deben ordenase en orden ascendente.

B.1.3.2.2 Clculo del Valor Crtico para las pruebas Kolmogorov Smirnov
A diferencia de la prueba de Chi Cuadrado, en la cual el valor crtico es el mismo
para todas las distribuciones , la prueba de Kolmogorov Smirnov incluye casos
especiales para la distribuciones Normal, Exponencial, Weibull y de Valor
Extremo. Para las distribuciones restantes el valor crtico es estimado utilizando
una prueba denominada todos los parmetros conocidos, la cual es ms
conservadora que las pruebas para distribuciones especficas.

164

Los valores crticos obtenidos de esta prueba, para el test de Kolmogorov-
Smirnov, estn tabulados en la Tabla B.3, que se muestra a continuacin, a la cual
se entra con n (tamao de la muestra) y el nivel de significancia.

Tabla 29 Valores Crticos Test de Kolmogorov-Smirnov



Fuente. Gerencia de Incertidumbre.

B.1.3.3 Prueba de Anderson Darling.
La prueba de Anderson Darling es muy similar a la prueba de Kolmogorov
Smirnov, la cual no depende tampoco del nmero de intervalos o clases. Esta
prueba tiene la ventaja adicional de que hace ms nfasis en los valores de las
colas.
B.1.3.3.1 Clculo del Valor del Test o Estadstica de la prueba Anderson-
Darling
La estadstica para la prueba de Anderson Darling viene dada por:
[ ]

+

= dx x f x x F x F A
n n
) (

) ( ) (

) (
2

Donde

165

)] (

1 )[ (

1
x F x F
=
n = Nmero total de datos
) (

x f = Funcin de densidad de probabilidad hipottica


) (

x F = Funcin de probabilidad acumulada hipottica


n
N
x F
x
n
= ) (
N
x
= Nmero de datos de X
i
menores que x.

B.1.3.3.2 Valor Crtico para las prueba de Anderson Darling.
La estimacin de los valores crticos para la prueba de Anderson Darling se hace
muy difcil desde el punto de vista analtico y por tal razn, los mismos son
estimados utilizando la tcnica de simulacin de Montecarlo segn lo explicado
por Stephens (1974), Stephens (1977) y Chandra (1981).

166

ANEXO C
ANLISIS DE CURVAS DE DECLINACIN

En el desarrollo del anlisis avanzado de ingeniera jugaron un papel muy
importante el desarrollo de los pronsticos en la produccin de hidrocarburos
mediante la aplicacin Forecast del software OFM. A continuacin se dan a
conocer los datos obtenidos mediante dicha prediccin, evidenciando de esta
manera como se obtuvieron los valores de reservas, ultimo recobro esperado
(EUR), ndices de declinacin, coeficiente b, coeficiente D, que fueron tenidos en
cuenta a la hora de definir el modelo del sector del Campo Rubiales, en lograr la
contribucin de los atributos crticos en la seleccin de la mejor estrategia de
desarrollo del rea de inters.

Los parmetros que se tuvieron en cuenta para este clculo fueron:
Dentro de los parmetros de declinacin se utilizo un tipo de regresin
hiperblica, la cual permite obtener un valor del coeficiente b, que se encuentra
en el rango de 0.2 a 0.3, y un valor para el coeficiente D, que se encuentra en
el rango de 0.28 a 0.32 cumpliendo de esta manera con la Ecuacin de Arps
12
.
Una tasa mnima econmica para cada pozo de 50. bpd petrleo lapso
iniciando la tasa desde el histrico de produccin y en un periodo de 150
meses.
Teniendo en cuenta las tendencias en la produccin histrica de cada pozo,
fueron seleccionados los puntos ms representativos y con los cuales se
pudiese realizar de la mejor manera la prediccin.

En la Tabla 26 y Tabla 27, muestra los resultados de los clculos de reservas,
ndice de declinacin, caudales inciales y ultimo recobro esperado, en un par de

12
Fuente. SPE 81427, A Generalize Hyperbolic Decline Equation with Rate-Time and Rate-
Cumulative Relationships.

167

pozos del rea de inters obtenidos mediante esta prediccin. Cabe resaltar que
se realizo la prediccin para cada uno de los pozos del rea de inters con el fin
de observar el comportamiento de la produccin y la cantidad de reservas
recuperadas; con el objeto de efectuar un anlisis de estos datos con la
informacin petrofsica obtenida, y de esta manera facilitar la cuantificacin y el
anlisis de riesgo e incertidumbre en un sector del Campo Rubiales.

Tabla 30 Atributos crticos en la seleccin de la mejor estrategia de desarrollo del rea de
inters
POZO
CTE DE ARP P90 CTE DE ARP P50 CTE DE ARP P10
bi D bi D bi D
22H 0.20 0.24 0.21 0.30 0.31 0.32
42H 0.21 0.25 0.21 0.29 0.27 0.30
45H 0.22 0.25 0.22 0.28 0.27 0.30
48H 0.23 0.25 0.23 0.30 0.24 0.31
49H 0.24 0.29 0.24 0.32 0.30 0.32
50H 0.23 0.28 0.25 0.29 0.25 0.31
54H 0.26 0.25 0.26 0.30 0.29 0.31
55H 0.23 0.25 0.27 0.29 0.27 0.29
56H 0.28 0.25 0.28 0.28 0.29 0.31
57H 0.25 0.24 0.29 0.29 0.29 0.31
58H 0.27 0.25 0.30 0.28 0.30 0.30
59H 0.28 0.27 0.30 0.29 0.31 0.31
60H 0.27 0.28 0.28 0.31 0.28 0.32
61H 0.26 0.27 0.27 0.31 0.27 0.32
62H 0.24 0.26 0.26 0.28 0.26 0.30
63H 0.21 0.25 0.25 0.29 0.26 0.31
64H 0.24 0.25 0.24 0.28 0.25 0.32
65H 0.23 0.26 0.23 0.29 0.29 0.31
66H 0.21 0.27 0.22 0.29 0.22 0.30
67H 0.22 0.31 0.24 0.32 0.25 0.32
68H 0.20 0.29 0.20 0.31 0.21 0.32
69H 0.20 0.29 0.20 0.30 0.23 0.31
70H 0.21 0.28 0.21 0.30 0.22 0.31
71H 0.22 0.27 0.22 0.28 0.24 0.29

168

POZO
CTE DE ARP P90 CTE DE ARP P50 CTE DE ARP P10
bi D bi D bi D
72H 0.23 0.27 0.23 0.28 0.26 0.32
73H 0.24 0.27 0.24 0.29 0.28 0.29
74H 0.25 0.27 0.25 0.28 0.27 0.30
75H 0.22 0.28 0.26 0.31 0.26 0.31
76H 0.25 0.24 0.29 0.29 0.29 0.31
77H 0.24 0.28 0.28 0.31 0.28 0.32
78H 0.27 0.28 0.29 0.30 0.29 0.31
89H 0.28 0.27 0.30 0.29 0.30 0.30
93H 0.25 0.24 0.29 0.29 0.29 0.31
94H 0.23 0.28 0.28 0.29 0.28 0.32
97H 0.23 0.26 0.28 0.28 0.28 0.29
99H 0.26 0.29 0.26 0.29 0.32 0.31
100H 0.25 0.30 0.25 0.30 0.28 0.32
101H 0.21 0.29 0.24 0.29 0.30 0.31
102H 0.20 0.27 0.20 0.28 0.24 0.29
105H 0.22 0.28 0.22 0.29 0.28 0.30
106H 0.21 0.26 0.21 0.28 0.24 0.29
107H 0.20 0.27 0.20 0.28 0.24 0.29
108H 0.20 0.28 0.20 0.29 0.26 0.30
110H 0.22 0.28 0.22 0.29 0.28 0.30
123H 0.23 0.26 0.28 0.28 0.28 0.29
124H 0.23 0.29 0.23 0.30 0.23 0.31
125H 0.22 0.31 0.24 0.32 0.25 0.32
131H 0.24 0.27 0.25 0.29 0.26 0.31
133H 0.23 0.25 0.27 0.29 0.27 0.29
134H 0.23 0.26 0.28 0.28 0.28 0.29
135H 0.28 0.26 0.28 0.28 0.28 0.30
136H 0.29 0.28 0.29 0.29 0.29 0.31
137H 0.27 0.28 0.27 0.29 0.29 0.29
138H 0.28 0.29 0.29 0.30 0.29 0.31
153H 0.25 0.24 0.29 0.29 0.29 0.31
154H 0.27 0.28 0.27 0.29 0.29 0.29
177H 0.25 0.24 0.29 0.29 0.29 0.31
178H 0.23 0.26 0.28 0.28 0.28 0.29
179H 0.22 0.31 0.24 0.32 0.25 0.32
180H 0.23 0.29 0.23 0.30 0.23 0.31

169

POZO
CTE DE ARP P90 CTE DE ARP P50 CTE DE ARP P10
bi D bi D bi D
181H 0.22 0.30 0.22 0.31 0.26 0.32
182H 0.21 0.30 0.21 0.31 0.26 0.31
183H 0.20 0.29 0.20 0.30 0.24 0.31
184H 0.23 0.28 0.25 0.29 0.25 0.31
185H 0.25 0.24 0.29 0.29 0.29 0.31
189H 0.26 0.25 0.26 0.30 0.29 0.31
190H 0.26 0.27 0.27 0.31 0.27 0.32
200H 0.26 0.23 0.26 0.28 0.28 0.30
201H 0.21 0.25 0.25 0.29 0.26 0.31
202H 0.21 0.28 0.21 0.30 0.22 0.31
203H 0.21 0.28 0.21 0.30 0.22 0.31
206H 0.25 0.24 0.29 0.29 0.29 0.31
207H 0.25 0.24 0.29 0.29 0.29 0.31
208H 0.25 0.24 0.29 0.29 0.29 0.31
209H 0.25 0.24 0.29 0.29 0.29 0.31
210H 0.25 0.24 0.29 0.29 0.29 0.31
214H 0.23 0.26 0.28 0.28 0.28 0.29
223H 0.22 0.30 0.22 0.31 0.26 0.32
23 0.20 0.17 0.25 0.28 0.26 0.29
24 0.23 0.17 0.23 0.28 0.24 0.31
25 0.21 0.19 0.22 0.29 0.23 0.30
27 0.20 0.24 0.21 0.30 0.31 0.32
30 0.20 0.25 0.20 0.29 0.25 0.31
33 0.20 0.23 0.21 0.32 0.28 0.31
34 0.21 0.25 0.21 0.31 0.22 0.31
36 0.26 0.25 0.26 0.30 0.29 0.31
37 0.20 0.21 0.22 0.29 0.23 0.29
38 0.22 0.19 0.23 0.28 0.24 0.29
40 0.25 0.22 0.25 0.29 0.25 0.29
47 0.26 0.23 0.26 0.28 0.28 0.30
79 0.24 0.27 0.27 0.28 0.28 0.31
90 0.27 0.28 0.28 0.29 0.29 0.32
91 0.21 0.27 0.29 0.29 0.30 0.31
92 0.24 0.25 0.30 0.30 0.30 0.31
104 0.23 0.26 0.29 0.29 0.29 0.30
113 0.23 0.26 0.28 0.28 0.28 0.29

170

POZO
CTE DE ARP P90 CTE DE ARP P50 CTE DE ARP P10
bi D bi D bi D
116 0.25 0.24 0.29 0.29 0.29 0.31
117 0.26 0.28 0.26 0.29 0.27 0.30
139 0.23 0.29 0.25 0.31 0.26 0.31
144 0.22 0.31 0.24 0.32 0.25 0.32
145 0.21 0.29 0.23 0.29 0.24 0.31
155 0.22 0.27 0.22 0.30 0.24 0.31
161 0.21 0.29 0.21 0.29 0.26 0.31
163 0.23 0.25 0.27 0.29 0.27 0.29

FUENTE. El Autor

Tabla 31. Atributos crticos en la seleccin de la mejor estrategia de desarrollo del rea de
inters
POZO
EUR [Bbl] RESERVAS
[Bbl]
ACUMULADO
[Bbl] P90 P50 P10
22H 407038.00 420252.00 496472.00 62228.00 358024.00
42H 2122040.00 2414250.00 3320970.00 912090.00 1502160.00
45H 1969270.00 2225750.00 2904290.00 790320.00 1435430.00
48H 2256960.00 2494030.00 3139220.00 746740.00 1747290.00
49H 384861.00 496064.00 715984.00 287308.00 208756.00
50H 161350.00 186036.00 234648.00 56381.00 129655.00
54H 1226870.00 1349030.00 1766680.00 269400.00 1079630.00
55H 1130990.00 1247710.00 1720760.00 197970.00 1049740.00
56H 351947.00 445407.00 569389.00 93460.00 351947.00
57H 680861.00 736253.00 1105600.00 176066.00 560187.00
58H 2137770.00 2460390.00 3370930.00 1019830.00 1440560.00
59H 1138840.00 1327580.00 1642530.00 866278.00 461302.00
60H 510776.00 575761.00 879291.00 193242.00 382519.00
61H 1406480.00 1605170.00 2113010.00 612936.00 992234.00
62H 1646510.00 1988400.00 2560320.00 1128015.00 860385.00
63H 1888950.00 2267080.00 3100710.00 833400.00 1433680.00
64H 784558.00 848349.00 1086250.00 219767.00 628582.00
65H 1530090.00 1821660.00 2589780.00 860604.00 961056.00
66H 648577.00 735949.00 1062230.00 408169.00 327780.00
67H 3194370.00 3847780.00 4511630.00 2727490.00 1120290.00

171

POZO
EUR [Bbl] RESERVAS
[Bbl]
ACUMULADO
[Bbl] P90 P50 P10
68H 1888140.00 2339280.00 2985470.00 1520817.00 818463.00
69H 1318520.00 1485950.00 2177180.00 720015.00 765935.00
70H 811707.00 1018700.00 1584230.00 566653.00 452047.00
71H 712511.00 836008.00 1231950.00 301078.00 534930.00
72H 275184.00 315367.00 609162.00 120077.00 195290.00
73H 1762800.00 2190170.00 3091230.00 1510758.00 679412.00
74H 1087520.00 1281360.00 1816890.00 679169.00 602191.00
75H 734879.00 775675.00 1029480.00 165855.00 609820.00
76H 680861.00 736253.00 1105600.00 176066.00 560187.00
77H 501358.00 539294.00 730022.00 149571.00 389723.00
78H 1513960.00 1828870.00 2900760.00 1245163.00 583707.00
89H 232881.00 267497.00 360319.00 116941.00 150556.00
93H 680861.00 736253.00 1105600.00 176066.00 560187.00
94H 754534.00 1049720.00 1546750.00 770763.00 278957.00
97H 143959.00 145776.00 156904.00 107774.00 38002.00
99H 358576.00 411263.00 719747.00 166930.00 244333.00
100H 1119530.00 1232470.00 1988070.00 556368.00 676102.00
101H 165589.00 190379.00 346733.00 112157.00 78222.00
102H 578582.00 752758.00 955238.00 602190.00 150568.00
105H 459534.00 542752.00 1012370.00 216830.00 325922.00
106H 1638180.00 1811210.00 2311060.00 1435190.00 376020.00
107H 578582.00 752758.00 955238.00 602190.00 150568.00
108H 1005910.00 1295480.00 2040700.00 751365.00 544115.00
110H 459534.00 542752.00 1012370.00 216830.00 325922.00
123H 143959.00 145776.00 156904.00 107774.00 38002.00
124H 269626.00 302871.00 503414.00 128606.00 174265.00
125H 3194370.00 3847780.00 4511630.00 2727490.00 1120290.00
131H 1146160.00 1287290.00 2020470.00 678870.00 608420.00
133H 1130990.00 1247710.00 1720760.00 197970.00 1049740.00
134H 143959.00 145776.00 156904.00 107774.00 38002.00
135H 854764.00 1144530.00 1420380.00 978771.00 165759.00
136H 403014.00 471414.00 859874.00 234165.00 237249.00
137H 344377.00 376568.00 499501.00 89488.00 287080.00
138H 826948.00 1003210.00 1692480.00 660954.00 342256.00
153H 680861.00 736253.00 1105600.00 176066.00 560187.00
154H 344377.00 376568.00 499501.00 89488.00 287080.00

172

POZO
EUR [Bbl] RESERVAS
[Bbl]
ACUMULADO
[Bbl] P90 P50 P10
177H 680861.00 736253.00 1105600.00 176066.00 560187.00
178H 143959.00 145776.00 156904.00 107774.00 38002.00
179H 3194370.00 3847780.00 4511630.00 2727490.00 1120290.00
180H 269626.00 302871.00 503414.00 128606.00 174265.00
181H 356344.00 447529.00 857547.00 232933.00 214596.00
182H 260250.00 322072.00 594638.00 217113.00 104959.00
183H 572037.00 715376.00 1081500.00 597011.00 118365.00
184H 161350.00 186036.00 234648.00 56381.00 129655.00
185H 680861.00 736253.00 1105600.00 176066.00 560187.00
189H 1226870.00 1349030.00 1766680.00 269400.00 1079630.00
190H 1406480.00 1605170.00 2113010.00 612936.00 992234.00
200H 616956.00 645728.00 779041.00 245544.00 400184.00
201H 1888950.00 2267080.00 3100710.00 833400.00 1433680.00
202H 811707.00 1018700.00 1584230.00 566653.00 452047.00
203H 811707.00 1018700.00 1584230.00 566653.00 452047.00
206H 680861.00 736253.00 1105600.00 176066.00 560187.00
207H 680861.00 736253.00 1105600.00 176066.00 560187.00
208H 680861.00 736253.00 1105600.00 176066.00 560187.00
209H 680861.00 736253.00 1105600.00 176066.00 560187.00
210H 680861.00 736253.00 1105600.00 176066.00 560187.00
214H 143959.00 145776.00 156904.00 107774.00 38002.00
223H 356344.00 447529.00 857547.00 232933.00 214596.00
23 518629.00 549052.00 680618.00 116135.00 432917.00
24 997373.00 1005530.00 1069630.00 170289.00 835241.00
25 2096630.00 2204170.00 2592060.00 279679.00 1924491.00
27 407038.00 420252.00 496472.00 62228.00 358024.00
30 338197.00 340045.00 351915.00 155938.00 184107.00
33 814114.00 833629.00 935339.00 65487.00 768142.00
34 106398.00 111469.00 128937.00 9657.00 101812.00
36 1226870.00 1349030.00 1766680.00 269400.00 1079630.00
37 492059.00 501883.00 581853.00 9824.00 492059.00
38 555467.00 579515.00 693556.00 32488.00 547027.00
40 280943.00 297372.00 369194.00 32946.00 264426.00
47 616956.00 645728.00 779041.00 245544.00 400184.00
79 190908.00 205536.00 295946.00 98131.00 107405.00
90 178418.00 193903.00 277774.00 87694.00 106209.00

173

POZO
EUR [Bbl] RESERVAS
[Bbl]
ACUMULADO
[Bbl] P90 P50 P10
91 104934.00 114894.00 153488.00 45935.00 68959.00
92 89314.00 96473.00 120737.00 82105.00 14368.00
104 195606.00 217045.00 321071.00 99299.00 117746.00
113 143959.00 145776.00 156904.00 107774.00 38002.00
116 680861.00 736253.00 1105600.00 176066.00 560187.00
117 135440.00 151990.00 239249.00 95040.00 56950.00
139 580458.00 636402.00 842400.00 548283.00 88119.00
144 3194370.00 3847780.00 4511630.00 2727490.00 1120290.00
145 319939.00 347230.00 465795.00 271737.00 75493.00
155 64114.00 69826.00 88595.00 55680.00 14146.00
161 680861.00 736253.00 1105600.00 176066.00 560187.00
163 1130990.00 1247710.00 1720760.00 197970.00 1049740.00

FUENTE. El Autor

De esta manera fue como se lograron obtener valores muy importantes a la hora
de realizar el anlisis correspondiente en el proceso que se inicia con la
cuantificacin de los niveles de incertidumbre de cada una de las variables que
intervienen en el modelo de decisin utilizado, as como el de la incertidumbre
propia de los modelos a utilizar en el desarrollo del trabajo.

174


ANEXO D
ESTUDIO DE RESERVAS

Con la informacin de los pozos perforados en el rea de estudio, se lograron
obtener valores muy importantes a la hora de realizar el anlisis correspondiente
en el proceso que se inicia con la cuantificacin de los niveles de incertidumbre de
cada una de las variables que intervienen en el modelo de decisin utilizado, as
como el de la incertidumbre propia de los modelos a utilizar en el desarrollo del
trabajo, realizando un clculo de POES y reservas para un sector del Campo
Rubiales el cual se muestra a continuacin.

CALCULO DEL POES

Con el modelo montado en PETRELTM, se realizaron los clculos determinsticos y
probabilsticos: estos ltimos se realizaron variando los parmetros de Saturacin de
agua, porosidad, Arena Neta Petrolfera (ANP), rea del estudio.

Debido a la cantidad de pozos perforados a la fecha, se calcul el POES en el rea
afectada por los pozos (reservas probadas) y para la totalidad del rea de inters.

Se elaboraron ms de 50 realizaciones estadsticas para cada una de las reas.
Criterios de Delimitacin de las reservas

Para el rea probada se consider que el rea de drenaje para cada uno de los
pozos se asume un promedio, ya que el rea de drenaje para los pozos
verticales vendra siendo aproximadamente de 200 metros y de los pozos
horizontales de 320 metros, y realizando un promedio, al obtener un radio de
drenaje de 250 metros.

175


Otra consideracin es la relacionada con los lmites definidos dentro del rea
neta prolfera del Campo (Unidad Arenisca Basales). En la siguiente figura, se
presentan los lmites que fue considerada para el rea probada.

Para el rea probable se delimito a partir de la lnea del rea probada.

Para el rea Posible se extendi el lmite asumiendo que todos los pozos
estn dinmicamente conectados en el rea de estudio.

En las Figuras 31 y Figura 32 se muestran las reas probadas y probables
respectivamente.

FIGURA 93. Mapa rea probables. En un sector del Campo Rubiales

FUENTE. PETRELTM


176


FIGURA 94. Mapa rea posibles de un sector del. Campo Rubiales

FUENTE. PETRELTM

Estimado de reservas en un sector del Campo Rubiales

Calculo del Factor de Recobro en un sector de campo

Para el clculo del factor de recobro, se seleccion el rea inters (Figura 20). El rea
seleccionada cubre un total de 8.224. Acres con 104 pozos perforados, de los cuales
26 pozos son verticales, y 78 pozos horizontales. El POES calculado esta variando
entre 438,1. Mbbls (P90) a 911,7 Mbbls (P10) de petrleo con un valor ms probable
(P50) de 664,3 Mbbls de petrleo. En la Tabla, se presentan los valores promedios
para el clculo del POES.

177



FIGURA 95. Mapa rea posibles de un sector del. Campo Rubiales

FUENTE. PETRELTM

Tabla 32. Propiedades de Petrleo y Roca, sector del Campo Rubiales
Propiedad P90 P50 P10
Porosidad 0.20 0.30 0.42
Sw 0.24 0.44 0.75
rea 8224 11928 15632
POES, Mbbls 438.1 663.7 911.7
Np, Mbbls 138 138 138
FR % 15.2 20.4 24.6
FUENTE. El Autor.